論文の概要: Continual Learning for 6-DoF Grasp Synthesis via Experience and Demonstrations

• arxiv url: http://arxiv.org/abs/2610.01301v1
• Date: Thu, 01 Oct 2026 08:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.003414
• Title: Continual Learning for 6-DoF Grasp Synthesis via Experience and Demonstrations
• Title（参考訳）: 経験と実証による6-DoFグラフの連続的学習
• Abstract要約: 単視点6-DoFグリップ合成のための連続学習フレームワークを提案する。 我々の手法は学習された埋め込み空間におけるメモリを介して適応する。 提案手法は,既存の6-DoFグルーピングベースラインの性能に適合することを示す。
• 参考スコア（独自算出の注目度）: 17.63150185420321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most current grasp synthesis systems are trained offline and remain fixed during deployment. While this works well when deployment conditions resemble the training data, performance can degrade when robots encounter conditions they have not seen before, such as unfamiliar objects. In this work, we present a continual-learning framework for single-view 6-DoF grasp synthesis for a parallel-jaw gripper in cluttered scenes. Rather than finetuning a large parametric model, our method adapts through memory in a learned embedding space: grasp outcomes update future grasp scores, while optional user demonstrations are recalled and transferred to new scenes as additional candidate grasps. We evaluate our method in simulation and in extensive real-world experiments comprising over 1500 grasp trials. We show that our method matches the performance of existing 6-DoF grasping baselines even before adaptation, improves online on unseen objects from categories absent or underrepresented during training, and supports long-horizon continual learning with limited forgetting. In real-world experiments, our method reaches over 90\% success rates on several challenging object categories after only 50 online grasp attempts. Videos and code at https://giuschio.github.io/cl_grasping/.
• Abstract（参考訳）: 現在のグリップ合成システムはオフラインで訓練されており、デプロイ中に固定されている。 デプロイメント条件がトレーニングデータに類似している場合、これはうまく機能するが、不慣れなオブジェクトなど、これまで見たことのない条件に遭遇した場合、パフォーマンスが低下する可能性がある。 本研究では,一視点6-DoFグリップ合成のための連続学習フレームワークを提案する。 提案手法は,大規模パラメトリックモデルを微調整するのではなく,学習した埋め込み空間のメモリを通して,結果の把握が将来の把握スコアを更新する一方で,任意のユーザデモをリコールして新たなシーンに転送する。 我々は,1500以上のグリップトライアルを含むシミュレーションおよび広範囲な実世界の実験において,本手法の評価を行った。 提案手法は,適応前においても既存の6-DoF把握ベースラインの性能と一致し,学習中に欠落しているカテゴリや表現不足のカテゴリから未確認オブジェクトのオンライン化を図り,長い水平連続学習を限られた忘れ込みで支援する。 実世界の実験では、わずか50のオンライングリップ試行を経て、いくつかの挑戦対象カテゴリーで90%以上の成功率に達した。 ビデオとコードはhttps://giuschio.github.io/cl_grasping/。

関連論文リスト

• SimuScene: Training and Benchmarking Code Generation to Simulate Physical Scenarios [71.65387146697319]
  大規模言語モデル(LLM)は、数学の競争、複雑なコーディング、科学的推論といったタスクのために広く研究されている。 物理シナリオをシミュレートしてLLMを訓練し,評価する最初の体系的な研究であるSimuSceneを提案する。 品質を保証するために、人間の検証とともに、データ収集のための自動パイプラインを構築します。
  論文  参考訳（メタデータ） (2026-02-11T13:26:02Z)
• Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
  既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。 我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。 本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
  論文  参考訳（メタデータ） (2024-02-13T22:07:29Z)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• A Comprehensive Empirical Evaluation on Online Continual Learning [20.39495058720296]
  オンライン連続学習に取り組む文献から手法を評価する。 画像分類の文脈におけるクラスインクリメンタル設定に焦点をあてる。 これらの手法をSplit-CIFAR100とSplit-TinyImagenetベンチマークで比較する。
  論文  参考訳（メタデータ） (2023-08-20T17:52:02Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)
• Stillleben: Realistic Scene Synthesis for Deep Learning in Robotics [33.30312206728974]
  本稿では,シーン認識タスクの学習データを生成するための合成パイプラインについて述べる。 本手法は,物理シミュレーションを用いて,物体メッシュを物理的に現実的で密集したシーンに配置する。 私たちのパイプラインは、ディープニューラルネットワークのトレーニング中にオンラインで実行できます。
  論文  参考訳（メタデータ） (2020-05-12T10:11:00Z)

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。