論文の概要: AdaTempo: Learning Shared Relative Tempo from Demonstrations for Faster Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.02706v1
• Date: Fri, 02 Oct 2026 02:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.169964
• Title: AdaTempo: Learning Shared Relative Tempo from Demonstrations for Faster Robot Manipulation
• Title（参考訳）: AdaTempo:より高速なロボットマニピュレーションのためのデモから共有相対テンポを学ぶ
• Abstract要約: 模倣学習を通じて訓練された視覚運動者ポリシーは、テレオペレーテッド・デモの必然的に遅いタイミングを継承することが多い。 AdaTempoは、デモで共有された相対的テンポ構造を利用して、ビジュモータポリシーを加速する自己教師型手法である。 AdaTempoは最大$3.57タイムのスピードアップを達成し、オリジナルのポリシーや代表的アクセラレーションベースラインよりも強力な速度トレードオフをもたらす。
• 参考スコア（独自算出の注目度）: 45.4469963081204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visuomotor policies trained via imitation learning often inherit the unnecessarily slow timing of teleoperated demonstrations. Yet uniform speedup is unreliable because different phases of a manipulation task tolerate acceleration differently. In this work, we introduce AdaTempo, a self-supervised method that accelerates visuomotor policies by exploiting shared relative-tempo structure in demonstrations. AdaTempo establishes phase correspondence, aggregates the aligned relative tempo into a consensus, and maps it to a continuous speedup profile used to resample demonstrations into accelerated training trajectories. Training standard policies such as ACT or Diffusion Policy on these resampled trajectories directly embeds the desired tempo in the learned behavior, without runtime tempo selection or online retiming. Extensive evaluations show that AdaTempo achieves up to a $3.57\times$ speedup and yields a stronger success--speed trade-off than the original policies and representative acceleration baselines.
• Abstract（参考訳）: 模倣学習を通じて訓練された視覚運動者ポリシーは、テレオペレーテッド・デモの必然的に遅いタイミングを継承することが多い。 しかし、操作タスクの異なる位相が加速を許容するので、均一なスピードアップは信頼できない。 本研究では,実演における共用相対テンポ構造を活用することで,ビジュモータ政策を促進させる自己教師型手法であるAdaTempoを紹介する。 AdaTempoは位相対応を確立し、アライメントされた相対テンポをコンセンサスに集約し、デモを再サンプリングするために使用される連続的なスピードアッププロファイルにマップする。 ACT や Diffusion Policy のようなトレーニング標準方針は、これらの再サンプリングされた軌道に対して、実行時テンポの選択やオンラインのリタイピングなしに、学習行動に望ましいテンポを直接埋め込む。 大規模な評価の結果、AdaTempoは最大3.57ドルのスピードアップを達成し、元の政策や代表的加速基準よりも高い成功率のトレードオフをもたらすことが示されている。

関連論文リスト

• Looking Back to Move Forward: Temporal Verification for Generative Robot Policies [53.428667457759055]
  表現的生成行動モデリングと大規模実演コーパスからのスケーラブルな模倣学習を組み合わせた,ロボット学習のための有望なパラダイムとして生成ポリシーが登場した。 本稿では,フローマッチングVLAのための時空間認識型動作検証フレームワークTeVを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T05:41:58Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• VOLT: Vision and Language Trajectory Segmentation for Faster-than-Demonstration Policies [7.210982964205077]
  人間は、ロボットが実行するために必要なタスクよりも、タスクを示すのに時間がかかります。 本稿では,視覚・言語トラジェクトリセグメンテーション手法VOLTを紹介する。 VOLTは遅い故意運動が必要なセグメントを特定し、残りのセグメントを選択的にダウンサンプリングする。
  論文  参考訳（メタデータ） (2026-06-04T15:57:29Z)
• Refinement of Accelerated Demonstrations via Incremental Iterative Reference Learning Control for Fast Contact-Rich Imitation Learning [8.16664434473795]
  反復参照学習制御 (IRLC) を再利用して, 時間短縮型実演を自律的に洗練する手法を提案する。 Incrmental Iterative Reference Learning Control (I2RLC)を提案する。 IRLCとI2RLCは、トラッキングエラーを減らして最大10倍高速なデモを実現している。
  論文  参考訳（メタデータ） (2026-04-18T05:51:46Z)
• Mean Flow Policy with Instantaneous Velocity Constraint for One-step Action Generation [65.13627721310613]
  平均速度ポリシー(MVP)は、平均速度場をモデル化し、最速のワンステップアクション生成を実現するための新しい生成ポリシー関数である。 MVPはRoomimicとOGBenchのいくつかの困難なロボット操作タスクに対して、最先端の成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-14T14:44:06Z)
• SpeedAug: Policy Acceleration via Tempo-Enriched Policy and RL Fine-Tuning [52.29534291796025]
  強化学習(Reinforcement learning)は、より高速な実行のためにポリシーを適用する、有望なアプローチである。 タスク実行の高速化のために事前学習されたポリシーを効率的に適応するRLベースのポリシーアクセラレーションフレームワークであるSpeedAugを提案する。
  論文  参考訳（メタデータ） (2025-11-24T04:25:47Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Teaching Robots to Grasp Like Humans: An Interactive Approach [3.3836709236378746]
  本研究は,実証と修正に基づいて,人間から把握する複雑な作業がどのように学習されるかを検討する。 より良いデモを提供するように訓練する代わりに、専門家でないユーザには、最初のデモのダイナミクスをインタラクティブに修正する能力が提供される。
  論文  参考訳（メタデータ） (2021-10-09T10:27:50Z)

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。