Fugu-MT 論文翻訳(概要): Chronos Policy: Learning Robot Policies on Physical Time

論文の概要: Chronos Policy: Learning Robot Policies on Physical Time

arxiv url: http://arxiv.org/abs/2610.13929v1
Date: Fri, 09 Oct 2026 17:55:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.720099
Title: Chronos Policy: Learning Robot Policies on Physical Time
Title（参考訳）: Chronos Policy: 物理時間でロボットポリシーを学習する
Abstract要約: クロノスポリシーは、観測記録時間と所望の行動実行時間を条件にすることで、物理的な時間を明確にする。タイムアウェアのRoPEはより堅牢で、トークンの内容が変わらないまま、物理的な時間に直接依存することができる。
参考スコア（独自算出の注目度）: 20.4488115945129
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robot policies often convert sensing and control into fixed-rate observation-action sequences, leaving physical time implicit in sequence position. This assumption breaks when observation rates or delays vary, or when inference latency changes. We introduce Chronos Policy, which makes physical time explicit by conditioning on observation capture times and desired action execution times. We study two ways to incorporate time into a diffusion transformer: adding timestamp embeddings to token features, or encoding physical time in positional encoding through time-aware rotary positional encodings (time-aware RoPE). We find that time-aware RoPE is more robust, allowing attention to depend directly on physical time while keeping token content unchanged. During training, we temporally randomize which observations are sampled and when the action chunk begins, exposing the policy to a wider range of sensing and execution schedules that may occur during deployments. This also enables learning from asynchronous, multi-rate data without forcing all measurements onto a fixed temporal grid. Across simulation and real-world experiments, Chronos Policy improves performance on dynamic tasks, where observation-to-action timing is critical, and on multisensory tasks, where the relative timing between observations matters. On standard quasi-static tasks, it preserves nominal performance while improving robustness to changes in sensing and inference timing.
Abstract（参考訳）: ロボットのポリシーは、センサーと制御を固定レートの観察アクションシーケンスに変換し、物理時間をシーケンス位置で暗黙的に残す。この仮定は、観測速度や遅延の変化、あるいは推論遅延が変化した場合に破られる。観測時間と所望の動作実行時間を条件にすることで,物理時間を明確にするChronos Policyを導入する。本研究では,時刻を拡散トランスフォーマーに組み込む方法として,トークンの特徴にタイムスタンプを埋め込む方法と,時刻対応回転位置符号化(時間対応ロPE)による位置符号化における物理時間エンコーディング法について検討する。タイムアウェアなRoPEはより堅牢であり、トークンの内容が変わらないまま、物理的時間に直接依存できる。トレーニング中、どの観察結果がサンプリングされ、アクションチャンクが開始されたかを時間的にランダム化し、デプロイ中に発生する可能性のある、より広い範囲の検知および実行スケジュールにポリシーを公開する。これにより、すべての測定結果を固定時間グリッドに強制することなく、非同期でマルチレートのデータから学習することが可能になる。シミュレーションと実世界の実験を通じて、クロノスポリシーは、観察から行動までのタイミングが重要となる動的なタスクと、観察間の相対的なタイミングが重要なマルチ感覚タスクのパフォーマンスを改善する。通常の準静的タスクでは、名目性能を保ちながら、センシングと推論のタイミングの変化に対する堅牢性を改善している。

関連論文リスト

A Time-Aware Bag-of-Receptive-Fields for Interpretable Irregular Time Series Classification [0.20305676256390937]
Bag-Of-Receptive-Fields (BORF) は、時系列の高速、決定論的、解釈可能な変換である。我々の重要な貢献は、各観測が関連する時間デルタに比例して重み付けされる時間重み付き正規化スキームである。これは、時間重み付き標準偏差に対する効率的なスライディングウインドウの繰り返しを導出する必要がある。
論文参考訳（メタデータ） (2026-09-30T08:24:00Z)
Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2026-07-30T11:18:18Z)
TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
論文参考訳（メタデータ） (2026-05-11T13:23:14Z)
TempoNet: Slack-Quantized Transformer-Guided Reinforcement Scheduler for Adaptive Deadline-Centric Real-Time Dispatchs [8.818252253980985]
TempoNetは、置換不変トランスフォーマーと深いQ近似を組み合わせた強化学習スケジューラである。ブロックワイズのトップk選択と局所性に敏感なチャンキングを備えた遅延対応スパースアテンションスタックは、順序のないタスクセットに対するグローバルな推論を可能にする。
論文参考訳（メタデータ） (2026-02-20T09:56:23Z)
EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。これは、パッチの計算上の利点を維持しながら、時間構造を保存する。長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
論文参考訳（メタデータ） (2025-09-30T12:09:56Z)
Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文参考訳（メタデータ） (2024-10-07T07:27:39Z)
Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting [14.038703353884033]
時間情報を符号化する連続線形関数を学習するCTLPEを提案する。 CTLPEは、様々な不規則にサンプリングされた時系列データセットで既存の技術より優れている。
論文参考訳（メタデータ） (2024-09-30T08:46:18Z)
TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-02-29T11:54:35Z)
Multiscale Sensor Fusion and Continuous Control with Neural CDEs [17.67182664077201]
InFuserは,ニューラル制御方程式差分(CDE)を用いて連続的な時間政治を訓練する統一アーキテクチャである。 InFuserは、(In)tegratingと(Fus)ing multi-sensory Observationによって、時間とともに単一の潜伏状態表現を進化させる。実験では、InFuserは動的タスクの堅牢なポリシーを学ぶ。
論文参考訳（メタデータ） (2022-03-16T16:06:03Z)

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。