論文の概要: PEARS: Physical-Prior-Guided Efficient Adaptation via Failure Reasoning and Diffusion Steering for Tactile Manipulation

• arxiv url: http://arxiv.org/abs/2610.08784v1
• Date: Tue, 06 Oct 2026 17:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.16549
• Title: PEARS: Physical-Prior-Guided Efficient Adaptation via Failure Reasoning and Diffusion Steering for Tactile Manipulation
• Title（参考訳）: PEARS: 触覚マニピュレーションのための故障推論と拡散ステアリングによる物理パラメータ誘導能率適応
• Abstract要約: PEARSは,触覚フィードバックによる事前学習ポリシーのオンライン適応のための物理優先型ハイブリッドRLフレームワークである。 シミュレーションでは、PEARSはタスク当たり最強のベースラインよりも12.4-37.4ポイントの成功率を向上させる。 実世界の実験では、PEARSはホワイトボード消去で95%、ピペット液体吸引で90%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 15.171838009206297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained robotic policies can suffer substantial performance degradation under out-of-distribution (OOD) conditions encountered during deployment, motivating post-training through real-world interaction. However, reinforcement-learning (RL)-based post-training typically requires substantial environment interactions, a burden that is especially significant in manipulation, where each trial can be slow, costly, or destructive. Therefore, we present PEARS, a physics-prior-guided hybrid RL framework for sample-efficient online adaptation of pretrained policies with tactile feedback. After each episode, its physics-guided force reasoning (PFR) module uses physical priors encoded in a vision-language model (VLM) to diagnose failures from the visual outcome and tactile interaction history and update task-appropriate contact-force bounds. A high-frequency hybrid force-position controller then enforces these bounds during contact. Complementarily, tactile-conditioned diffusion steering reinforcement learning adjusts the latent noise of the frozen flow-matching policy to correct errors in free-space motion and contact timing without updating the base model. In simulation, PEARS improves success rates by 12.4-37.4 percentage points over the strongest per-task baselines. PEARS also reduces the number of interaction episodes required for a certain success threshold by up to 53.2% relative to the fastest baseline. In real-world experiments, PEARS achieves success rates of 95% on Whiteboard Erasing and 90% on Pipette Liquid Aspiration. These results show that combining the PFR module with policy steering can accelerate adaptation while reducing costly interactions. The project website is available at https://song-kun.github.io/pears.
• Abstract（参考訳）: 事前訓練されたロボットポリシーは、デプロイ中に遭遇するアウト・オブ・ディストリビューション(OOD)条件下での大幅なパフォーマンス劣化に悩まされ、現実世界のインタラクションを通じて後トレーニングを動機付ける。 しかし、強化学習(RL)に基づくポストトレーニングは、通常、かなりの環境相互作用を必要とする。 そこで本研究では,触覚フィードバックによる事前学習ポリシーのオンライン適応のための物理優先型ハイブリッドRLフレームワークであるPEARSを提案する。 それぞれのエピソードの後、物理誘導力推論(PFR)モジュールは視覚言語モデル(VLM)に符号化された物理的事前情報を用いて視覚的結果と触覚的相互作用履歴から障害を診断し、タスクに適した接触力境界を更新する。 高周波ハイブリッド力配置制御器は、接触中にこれらの境界を強制する。 相補的に、触覚条件付き拡散ステアリング強化学習は、凍結流マッチングポリシーの潜時ノイズを調整し、ベースモデルを更新することなく、自由空間運動および接触タイミングの誤差を補正する。 シミュレーションでは、PEARSはタスク当たり最強のベースラインよりも12.4-37.4ポイントの成功率を向上させる。 PEARSはまた、一定の成功閾値に必要な対話エピソード数を、最速のベースラインと比較して最大53.2%削減する。 実世界の実験では、PEARSはホワイトボードの消去で95%、ピペット液体吸引で90%の成功率を達成した。 これらの結果から,PFRモジュールとポリシステアリングを組み合わせることで,コストのかかる相互作用を低減し,適応を促進できることが示唆された。 プロジェクトのWebサイトはhttps://song-kun.github.io/pears.comで公開されている。

関連論文リスト

• Potential-Field Action Representation for Reinforcement Learning in Contact-Rich Manipulation [16.574472198582836]
  人工電位場をアクション表現として利用する強化学習フレームワークPA-RLを提案する。 運動を直接指揮する代わりに、政策はエネルギーのようなポテンシャル場のパラメータに適応し、状態依存の誘導方向を生成する。
  論文  参考訳（メタデータ） (2026-09-18T10:46:55Z)
• Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
  Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。 Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。 4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
  論文  参考訳（メタデータ） (2026-09-16T06:38:36Z)
• A Hierarchical Approach to Imitation Learning for Manipulation Tasks Requiring Time Varying Forces [14.372073538832803]
  高速軌道生成(DPA-FTG)による拡散政策の導入 位置補正に焦点を当てた最近の視覚触覚アプローチと比較して、DPA-FTGは高周波力規制から低周波計画を切り離す。 本研究は,適合シートの分離を含む両面電池解体作業に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-08-04T04:21:00Z)
• Beyond Action Residuals: Real-World Robot Policy Steering via Bottleneck Latent Reinforcement Learning [42.74142065376427]
  本稿では,Z-Perturbation Reinforcement Learning (ZPRL)を提案する。 現実世界では、ZPRLは模倣ベースポリシーよりも4つのタスクの平均成功率を33.7%向上させる。
  論文  参考訳（メタデータ） (2026-05-19T14:43:26Z)
• PhaForce: Phase-Scheduled Visual-Force Policy Learning with Slow Planning and Fast Correction for Contact-Rich Manipulation [25.000758938670064]
  PhaForceは、低レートのチャンクレベルの計画と高レートの残差補正を調整する、位相スケジューリングされた視覚力ポリシーである。 複数の実ロボットとの接触が豊富なタスクの中で、PhaForceは平均86%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-03-09T13:03:29Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Human-in-the-loop Online Rejection Sampling for Robotic Manipulation [55.99788088622936]
  Hi-ORSは、オンライン微調整中に負の報酬を得たサンプルをフィルタリングすることで、値推定を安定化する。 Hi-ORSは、わずか1.5時間でコンタクトリッチな操作をマスターするためのpiベースのポリシーを微調整する。
  論文  参考訳（メタデータ） (2025-10-30T11:53:08Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• Lean and Mean: Decoupled Value Policy Optimization with Global Value Guidance [52.65461207786633]
  政策に基づく人間からのフィードバックからの強化学習は、大きな言語モデルと人間の嗜好の整合に不可欠である。 俳優と批評家の合同トレーニングと、事前訓練された一定の報酬モデルによる指導が必要である。 従来の報酬モデリングを事前訓練されたEmphglobal Value Model(GVM)に置き換えるリーンフレームワークである textbfDecoupled Value Policy Optimization (DVPO) を提案する。
  論文  参考訳（メタデータ） (2025-02-24T08:11:33Z)
• Data Efficient Training for Reinforcement Learning with Adaptive Behavior Policy Sharing [29.283554268767805]
  大規模医療やレコメンデーションシステムといった実世界の応用において、深層RLモデルのトレーニングは困難である。 本稿では、行動ポリシーによって収集された経験の共有を可能にするデータ効率のトレーニングアルゴリズムである適応行動ポリシー共有(ABPS)を提案する。
  論文  参考訳（メタデータ） (2020-02-12T20:35:31Z)

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。