論文の概要: Interaction-Stiffness-Guided Basis Allocation in Dynamic Movement Primitives for Efficient Skill Transfer
- arxiv url: http://arxiv.org/abs/2610.01288v1
- Date: Thu, 01 Oct 2026 08:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.999669
- Title: Interaction-Stiffness-Guided Basis Allocation in Dynamic Movement Primitives for Efficient Skill Transfer
- Title（参考訳）: ダイナミックモーションプリミティブの相互作用剛性誘導型ベーシアロケーションによる効率的なスキル移行
- Abstract要約: 本稿では、精度クリティカルなスキル学習のための適応的ベースアロケーションを備えたステージ臨界誘導動的運動プリミティブ(SC-DMP)を提案する。
クロスデモストレーションタスク空間の変動から導かれる演算子-ロボット相互作用剛性と軌道整合性キューを統合して、ステージ臨界指数を構築する。
これにより、スペーサー割り当てを他の場所で保持しながら、高臨界の段階でより密で柔軟な表現が可能になる。
- 参考スコア（独自算出の注目度）: 15.781120728216642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic Movement Primitives (DMPs) provide a compact and stable formulation for trajectory representation and generalization in robot skill learning. However, their predefined basis layout limits the allocation of approximation capacity according to stage-dependent precision requirements. To address this issue, this article proposes Stage-Criticality-Guided Dynamic Movement Primitives (SC-DMPs) with adaptive basis allocation for precision-critical skill learning. Operator-robot interaction stiffness and a trajectory-consistency cue derived from cross-demonstration task-space variability are integrated to construct a stage-criticality index. Guided by this index, basis centers are redistributed in normalized time through inverse cumulative criticality and mapped to the canonical phase domain, while their bandwidths are refined to adjust local approximation support. This enables denser and more flexible representation at high-criticality stages while retaining sparser allocation elsewhere. Experiments on handwriting trajectories and three real-robot tasks show that the inferred criticality is concentrated in geometrically demanding and task-constrained regions. Comparisons with DMPs, ProMPs, ProDMP, GP-MP, and KMP demonstrate improved trajectory reproduction, endpoint generalization, and task-critical accuracy while retaining a compact model and the stable structure of classical DMPs.
- Abstract（参考訳）: Dynamic Movement Primitives (DMP) は、ロボットのスキル学習において、軌道表現と一般化のためのコンパクトで安定した定式化を提供する。
しかし、事前定義されたベースレイアウトは、ステージ依存の精度要求に応じて近似能力の割り当てを制限する。
この問題に対処するため、本稿では、精度クリティカルなスキル学習のための適応的ベースアロケーションを備えたステージ臨界誘導動的運動プリミティブ(SC-DMP)を提案する。
クロスデモストレーションタスク空間の変動から導かれる演算子-ロボット相互作用剛性と軌道整合性キューを統合して、ステージ臨界指数を構築する。
この指標により、基底中心は逆累積臨界により正規化時間に再分配され、正準位相領域にマッピングされ、その帯域幅は局所近似支援を調整するために洗練される。
これにより、スペーサー割り当てを他の場所で保持しながら、高臨界の段階でより密で柔軟な表現が可能になる。
手書き軌道と3つの実ロボットタスクの実験では、推定臨界度が幾何学的に要求される領域とタスク制約のある領域に集中していることが示されている。
DMP, ProMPs, ProDMPs, GP-MP, KMPsと比較すると, 従来のDMPのコンパクトモデルと安定構造を維持しつつ, 軌道再生, エンドポイントの一般化, タスククリティカルな精度が向上した。
関連論文リスト
- Hierarchical Policy Learning via Spectral Decomposition [58.65543693788772]
ロボットの動作シーケンスにおける意味的分解を識別し,タスクレベルの動作意図と実行レベルの改善を分離する。
本稿では, 因果的粗大化過程として行動生成をモデル化した因果スペクトルポリシー(CSP)を提案する。
CSPは、精度に敏感な操作タスクにおいて、強いベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-28T19:22:40Z) - Flowing With Purpose: Latent Action Guided Flow Matching Policies For Robotic Manipulation [41.66477383019748]
最先端のフローマッチングポリシーは、グローバルに固定された等方性ソース分布に依存している。
Latent Action Guided Flow Matchingは、モノリシックガウスを学習済みの事前分布の適応ライブラリに置き換える。
LAFMは標準フローマッチングの定式化を大幅に上回る。
論文 参考訳（メタデータ） (2026-06-22T14:42:59Z) - Guided Streaming Stochastic Interpolant Policy [8.673777984856075]
推論時指導は, 再現性のない動的目標に向けて, 生成ロボットのポリシーを操るのに不可欠である。
本研究では,動的非構造型補間器(SI)の最適ガイダンス項を導出する。
このフレームワークをストリーム補間ポリシー(SSIP)によるリアルタイム制御に適用する。
論文 参考訳（メタデータ） (2026-05-11T06:24:21Z) - Jointly Learning Structured Representations and Stabilized Affinity for Human Motion Segmentation [7.350724521347576]
HMS(Human Motion Clustering)は、動画を異なる人間の動きに対応する非重複セグメントに分割することを目的としている。
現実世界のビデオでは、生のフレームレベルの機能はUnionof-Subspacesの仮定に反し、不満足なセグメンテーション性能をもたらすことが多い。
本稿では,時間的に一貫した構造的表現と,正確かつ堅牢なHMSとの親和性を共同で学習する時間的自己表現型サブスペースクラスタリング(TDSC)を提案する。
論文 参考訳（メタデータ） (2026-05-07T06:48:53Z) - AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。
本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。
LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
論文 参考訳（メタデータ） (2026-04-20T04:25:24Z) - An Optimal Control Approach To Transformer Training [7.136933021609078]
重要な構造的制約を尊重するトランスフォーマートレーニングに対する厳密な最適制御理論アプローチを開発する。
確率測度に引き上げることによって、完全に観測されたマルコフ決定過程(MDP)が生成されることを示す。
トランスフォーマーを訓練するために,状態空間,確率測度,行動空間を定量化することにより,昇降型MDPの3次元量子化訓練手順を提案する。
論文 参考訳（メタデータ） (2026-03-10T12:17:48Z) - Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - Learning to Move in Rhythm: Task-Conditioned Motion Policies with Orbital Stability Guarantees [45.137864140049814]
我々は,学習した微分型エンコーダと超臨界ホップ分岐を結合したフレームワークであるOrbitally Stable Motion Primitives (OSMPs)を紹介する。
提案手法は,多種多様なロボットプラットフォームにまたがる広範囲なシミュレーションと実世界の実験によって検証される。
論文 参考訳（メタデータ） (2025-07-12T17:10:03Z) - Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳（メタデータ） (2025-03-24T03:19:45Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。