論文の概要: NEEDLEWORK: Offline Rewriting of Robot Data with Verified Local Stitches

• arxiv url: http://arxiv.org/abs/2610.02339v1
• Date: Thu, 01 Oct 2026 18:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.041018
• Title: NEEDLEWORK: Offline Rewriting of Robot Data with Verified Local Stitches
• Title（参考訳）: NEEDLEWORK: ローカルスティッチを検証したロボットデータのオフラインリライト
• Abstract要約: 軌道縫合は、トレーニングデータの改善に有用な振る舞いを構成する手段を提供する。 本稿では,オフラインデータセット拡張アルゴリズムNEEDLEを紹介する。 実ロボットタスクでは、NEEDLEは各タスクにおいて最強のベースラインよりも平均21ポイントの成功率を向上させる。
• 参考スコア（独自算出の注目度）: 21.647342974136688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot demonstrations may contain useful behavior even when individual episodes are inefficient or unsuccessful. Trajectory stitching offers a way to compose these behaviors into improved training data, but identifying useful connections and verifying their feasibility is difficult in high-dimensional robot data, where many prior methods rely on low-dimensional state representations. We introduce NEEDLE, an offline dataset-augmentation algorithm that addresses these challenges by adding short, verified action bridges between recorded observations in high-dimensional robot demonstrations. First, NEEDLE identifies and creates connections that bypass suboptimal detours, broaden action coverage, and augment the original dataset with failed trajectories, using only RGB images, proprioception, and episode-level outcomes, without new environment interaction or privileged object state. Next, we present a sampling technique that incorporates accepted bridges into policy training without synthesizing intermediate images or discarding the original demonstrations, allowing policies to learn alternative actions while retaining the original dataset's coverage. On real-robot tasks, NEEDLE improves success rate over the strongest baseline on each task by an average of 21 percentage points. Videos and supplementary materials are on https://needle-work.github.io/.
• Abstract（参考訳）: ロボットのデモンストレーションは、個々のエピソードが効率が悪いり失敗したりしても、有用な振る舞いを含むことがある。 軌道縫合は、これらの動作をトレーニングデータの改善に構成する方法を提供するが、高次元のロボットデータでは、多くの先行手法が低次元の状態表現に依存しているため、有用な接続を識別し、それらの実現可能性を検証することは困難である。 NEEDLEは,高次元ロボットによる実演で記録された観察の間に,短時間で検証されたアクションブリッジを追加することで,これらの課題に対処するオフラインデータセット拡張アルゴリズムである。 まず、NEEDLEは、新しい環境相互作用や特権オブジェクト状態なしに、RGBイメージ、プロプレセプション、エピソードレベルの結果のみを使用して、最適下地をバイパスし、アクションカバレッジを広げ、失敗したトラジェクトリで元のデータセットを拡大するコネクションを特定し、生成する。 次に、中間画像の合成やオリジナルのデモを捨てることなく、承認されたブリッジを政策訓練に組み込むことで、ポリシーが元のデータセットのカバレッジを維持しながら代替行動を学ぶことができるサンプリング手法を提案する。 実ロボットタスクでは、NEEDLEは各タスクにおいて最強のベースラインよりも平均21ポイントの成功率を向上させる。 ビデオと補足資料はhttps://needle-work.github.io/.com/で公開されている。

関連論文リスト

• RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
  H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。 本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。 ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
  論文  参考訳（メタデータ） (2026-08-13T09:55:59Z)
• SynthICL: Scalable In-context Imitation Learning with Synthetic Data [14.31290372298426]
  インコンテキスト模倣学習(ICIL)は、ロボットが少数のデモから新しいタスクを学習することを可能にする。 RGBのみの合成データからICILポリシーをトレーニングするフレームワークであるSynthICLを提案する。
  論文  参考訳（メタデータ） (2026-06-06T13:09:47Z)
• Point Bridge: 3D Representations for Cross Domain Policy Learning [43.12724292342628]
  Point Bridgeは統合されたドメインに依存しないポイントベース表現を利用するフレームワークである。 人工データのみを使用して実世界の操作エージェントを訓練する。 ゼロショットのsim-to-real転送で最大44%のアップを達成し、制限された実データで最大66%のアップを達成している。
  論文  参考訳（メタデータ） (2026-01-22T18:59:24Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• Semi-Supervised Neural Processes for Articulated Object Interactions [10.847409934374205]
  本稿では,少数のオブジェクトのみにラベル付きインタラクションデータが存在するシナリオを対象とした適応型報酬予測モデルであるSemi-Supervised Neural Process (SSNP)を紹介する。 両方のタイプのデータを共同でトレーニングすることで、モデルはより効果的に一般化可能な機能に集中することができる。 SSNPの有効性は、ドアオープンタスクを通じて示され、他の半教師付き手法よりも優れた性能を示し、他の適応型モデルと比較して、わずかなデータしか使用しない。
  論文  参考訳（メタデータ） (2024-11-28T21:20:06Z)
• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
  そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。 次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。 私たちのアプローチは、以前のベースラインを最大5%上回ります。
  論文  参考訳（メタデータ） (2023-11-10T18:38:14Z)
• Improving Behavioural Cloning with Positive Unlabeled Learning [15.484227081812852]
  本稿では,混合品質のロボットデータセットにおける専門家の軌跡を特定するための,新しい反復学習アルゴリズムを提案する。 結果のフィルタデータセットに行動クローンを適用することで、競合するオフライン強化学習と模倣学習ベースラインを上回っます。
  論文  参考訳（メタデータ） (2023-01-27T14:17:45Z)
• Bridging the Last Mile in Sim-to-Real Robot Perception via Bayesian Active Learning [34.910660020436424]
  本研究では,ベイジアン能動学習に基づくパイプラインを提案し,手動アノテーションの取り組みを最小化することを目的とする。 本研究では,2つのオブジェクト検出データ集合に対する実験により,同値ギャップを埋めるために必要なラベル付けの労力を小さめに抑えることができることを示した。
  論文  参考訳（メタデータ） (2021-09-23T14:45:40Z)
• A Framework for Efficient Robotic Manipulation [79.10407063260473]
  単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。 デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
  論文  参考訳（メタデータ） (2020-12-14T22:18:39Z)
• 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)

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。