論文の概要: FOCUS: From Privileged States to RGB-D with Controlled Modality Switching and Representation Alignment

• arxiv url: http://arxiv.org/abs/2610.11119v1
• Date: Thu, 08 Oct 2026 02:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.746521
• Title: FOCUS: From Privileged States to RGB-D with Controlled Modality Switching and Representation Alignment
• Title（参考訳）: FOCUS: 自由国からRGB-Dへ: モダリティスイッチングと表現アライメントを制御
• Abstract要約: RGB-D観測は高次元でノイズが多いため、ロボット操作のための視覚に基づく強化学習はサンプル非効率である。 本稿では,アクターがRGB-Dからロールアウトを収集するか,あるいは特権状態のレイトラントからロールアウトしたかを自動制御しながら,評価者を特権状態で訓練する単一ステージPPOフレームワークであるFOCUSを提案する。
• 参考スコア（独自算出の注目度）: 2.8128954448728307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based reinforcement learning for robotic manipulation is sample-inefficient because RGB-D observations are high-dimensional and noisy. Privileged state information available in simulation can accelerate training, but its absence at test time creates a train-test modality gap. We propose FOCUS, a single-stage PPO framework that trains the critic on privileged state while automatically regulating whether the actor collects rollouts from RGB-D or privileged-state latents. Regulation is driven by the KL divergence between the action distributions induced by the two modalities, while representation alignment encourages consistent action selection across them. Together, these mechanisms limit RGB-D rollouts when the actor's action distributions from RGB-D and privileged-state latents disagree. As they align, RGB-D exposure increases, shifting on-policy training toward the RGB-D inputs used at test time. Across five manipulation tasks, FOCUS raises average test success from 0.71 to 0.93 relative to the strongest RGB-D-at-test baseline on each task. When accounting for each method's complete training pipeline, budget-normalized training-success AUC increases from 0.47 to 0.65. On Pick-and-Place, test success rises from 0.47 to 0.86, while AUC increases from 0.12 to 0.61, a 5.0x improvement in learning efficiency over the fixed interaction budget.
• Abstract（参考訳）: RGB-D観測は高次元でノイズが多いため、ロボット操作のための視覚に基づく強化学習はサンプル非効率である。 シミュレーションで利用可能な原始状態情報は、トレーニングを加速することができるが、テスト時の欠如は、列車とテストの間のモダリティのギャップを生じさせる。 本稿では,アクターがRGB-Dからロールアウトを収集するか,あるいは特権状態のレイトラントからロールアウトしたかを自動制御しながら,評価者を特権状態で訓練する単一ステージPPOフレームワークであるFOCUSを提案する。 規則は、2つのモードによって誘導される作用分布間のKLのばらつきによって駆動され、一方、表現アライメントはそれらの間の一貫した作用選択を促進する。 これらのメカニズムは、アクターの行動分布がRGB-Dと特権状態の潜伏者によって一致しない場合に、RGB-Dロールアウトを制限する。 それらが整合すると、RGB-D露出が増加し、テスト時に使用されるRGB-D入力へのオンライントレーニングがシフトする。 5つの操作タスク全体で、FOCUSは各タスクにおいて最強のRGB-D-at-testベースラインと比較して平均テスト成功率を0.71から0.93に引き上げている。 各方法の完全なトレーニングパイプラインを考慮すると、予算正規化されたトレーニングコースAUCは0.47から0.65に増加する。 Pick-and-Placeでは、テストの成功率は0.47から0.86に上昇し、AUCは0.12から0.61に増加し、固定された相互作用予算よりも学習効率が5.0倍向上した。

関連論文リスト

• PIVOT: Pivot-Aware On Policy Self Distillation for Multi-Turn VLM Agents [37.88404190729647]
  RLVRを用いた強化学習のためのPivot-Aware internalized Visual On-Policy Training (PIVOT) を提案する。 PIVOTは、ピボットローカライゼーションと状態復元を直接トークンレベルのパラメータ更新に内部化し、RLトレーニング中の環境のロールバックを排除し、テスト時に追加のスキルヒントを提供する。 認知グリッドパズルにまたがる5つのマルチターンVLMエージェントタスク、制御とナビゲーションの3次元具体化、生成的推論について評価した。
  論文  参考訳（メタデータ） (2026-09-28T14:43:28Z)
• WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
  WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。 アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。 凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
  論文  参考訳（メタデータ） (2026-08-10T11:22:53Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
  PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。 PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。 7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T17:57:37Z)
• RL-100: Performant Robotic Manipulation with Real-World Reinforcement Learning [33.36533022574748]
  RL-100は,教師あり学習によって訓練された拡散ビジュモータポリシーに基づく実世界の強化学習フレームワークである。 我々はPush-TやAgile Bowlingといった動的剛体制御にまたがる7つの実ロボットタスクに対してRL-100を評価する。 RL-100は900回中900回で評価試験で100%成功し、1回で250回連続試験のうち250回まで成功している。
  論文  参考訳（メタデータ） (2025-10-16T16:07:50Z)
• RGB-Event Fusion with Self-Attention for Collision Prediction [9.268995547414777]
  本稿では,動的物体を持つ無人航空機の時間と衝突位置を予測するニューラルネットワークフレームワークを提案する。 提案したアーキテクチャは、2つの異なるエンコーダ分岐で構成されており、1つはモダリティ、次に自己アテンションによる融合により予測精度が向上する。 核融合モデルでは, 平均で1%, 0.5mを超える距離で10%の精度で予測精度が向上するが, メモリで+71%, FLOPで+105%のコストがかかることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T09:03:26Z)
• Cross-Modal Consistency Learning for Sign Language Recognition [92.44927164283641]
  既存の事前学習方法は、コンパクトなポーズデータのみに焦点を当てている。 クロスモーダル一貫性学習フレームワーク(CCL-SLR)を提案する。 CCL-SLRはRGBから学習し、自己教師付き事前学習に基づいてモダリティをポーズする。
  論文  参考訳（メタデータ） (2025-03-16T12:34:07Z)
• DUT-LFSaliency: Versatile Dataset and Light Field-to-RGB Saliency Detection [104.50425501764806]
  ライトフィールドサリエンシー検出のための汎用性の高いアプリケーションを可能にする大規模なデータセットを紹介します。 本論文では,フォカルストリームとRGBストリームからなる非対称2ストリームモデルを提案する。 実験は、我々の焦点ストリームが最先端のパフォーマンスを達成することを実証する。
  論文  参考訳（メタデータ） (2020-12-30T11:53:27Z)
• Synergistic saliency and depth prediction for RGB-D saliency detection [76.27406945671379]
  既存のRGB-Dサリエンシデータセットは小さく、多様なシナリオに対して過度に適合し、限定的な一般化につながる可能性がある。 そこで本研究では,RGB-Dサリエンシ検出のための半教師付きシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:24:41Z)

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。