Fugu-MT 論文翻訳(概要): Imitation Learning via Discrete and Rhythmic Primitive Composition

論文の概要: Imitation Learning via Discrete and Rhythmic Primitive Composition

arxiv url: http://arxiv.org/abs/2610.15639v1
Date: Sun, 11 Oct 2026 14:14:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 17:29:48.987722
Title: Imitation Learning via Discrete and Rhythmic Primitive Composition
Title（参考訳）: 離散的・リズム的原始構成による模倣学習
Abstract要約: ロングホライゾンのロボット操作は本質的に意味のあるサブタスクで構成されている。本稿では,DMP(Dynamic Movement Primitives)を構成するための教師付きフレームワークを提案する。
参考スコア（独自算出の注目度）: 3.708656266586145
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-horizon robotic manipulation is inherently composed of semantically meaningful sub-tasks. While Movement Primitives (MPs) can model these components, their composition typically relies on manual engineering or sample-inefficient reinforcement learning. Existing supervised methods are limited by the lack of MP labels in standard datasets and often fail to generalize across discrete and rhythmic movements. We propose Neural Dynamic Composition (NDC), a supervised framework to compose Dynamic Movement Primitives (DMPs) using only raw trajectories for supervision, given a single example of each primitive. Our approach exploits parallel combinations of DMPs as a differentiable relaxation of categorical primitive selection, and utilizes a warp-invariant loss formulation to identify primitives despite spatial or temporal variations. A staged training curriculum is employed to learn the selection policy and DMP parameters, unifying discrete and rhythmic movements in one framework. Evaluated on 2D handwriting and 3D robotic tasks, our method outperforms baselines on most tasks and metrics. An ablation study demonstrates how each design choice contributes to the system's performance.
Abstract（参考訳）: ロングホライゾンのロボット操作は本質的に意味のあるサブタスクで構成されている。ムーブメント・プリミティブ(MP)はこれらのコンポーネントをモデル化できるが、その構成は通常手動工学やサンプル非効率強化学習に依存している。既存の教師付き手法は、標準データセットにおけるMPラベルの欠如によって制限され、しばしば離散的な動きやリズム的な動きにまたがる一般化に失敗する。本研究では,各プリミティブの単一例を前提として,生の軌跡のみを用いて動的運動原始体(DMP)を構成するための教師付きフレームワークであるニューラルダイナミックコンポジション(NDC)を提案する。提案手法は,DMPの並列結合をカテゴリー的原始選択の微分緩和として利用し,空間的・時間的変動に拘わらず,ワープ不変な損失の定式化を用いてプリミティブを同定する。選択ポリシーとDMPパラメータを学習するために、ステージ化されたトレーニングカリキュラムが使用され、1つのフレームワークで離散的およびリズミカルな動きを統一する。 2次元手書き作業と3次元ロボット作業に基づいて,本手法は,ほとんどのタスクやメトリクスのベースラインを上回っている。アブレーション研究は、それぞれの設計選択がシステムのパフォーマンスにどのように貢献するかを示す。

関連論文リスト

Interaction-Stiffness-Guided Basis Allocation in Dynamic Movement Primitives for Efficient Skill Transfer [15.781120728216642]
本稿では、精度クリティカルなスキル学習のための適応的ベースアロケーションを備えたステージ臨界誘導動的運動プリミティブ(SC-DMP)を提案する。クロスデモストレーションタスク空間の変動から導かれる演算子-ロボット相互作用剛性と軌道整合性キューを統合して、ステージ臨界指数を構築する。これにより、スペーサー割り当てを他の場所で保持しながら、高臨界の段階でより密で柔軟な表現が可能になる。
論文参考訳（メタデータ） (2026-10-01T08:26:09Z)
Semantically Structured Mixture-of-Experts for Compositional Robotic Manipulation [21.358519910897652]
拡散ベースのポリシーは、正確なロボット操作のための新しい標準を確立したが、重要なスケーラビリティのボトルネックに直面している。合成ロボット操作のためのSMODP(Semantically Structured Mixture-of-Experts Diffusion Policy)を導入する。提案手法は,パラメータ効率が大幅に向上したマルチタスクベンチマークにおいて,代表拡散とMoEベースのベースラインよりも優れていた。
論文参考訳（メタデータ） (2026-05-22T10:38:59Z)
Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文参考訳（メタデータ） (2026-01-13T23:36:30Z)
Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
論文参考訳（メタデータ） (2025-06-16T07:55:14Z)
Conditional Neural Expert Processes for Learning Movement Primitives from Demonstration [1.9336815376402723]
条件付きニューラルネットワークプロセス(CNEP)は、異なるモードから異なる専門家ネットワークにデモを割り当てることを学ぶ。 CNEPは、軌道がどのモードに属するかの監督を必要としない。本システムは,オンラインコンディショニング機構を用いて,環境変化へのオンザフライ適応が可能なシステムである。
論文参考訳（メタデータ） (2024-02-13T12:52:02Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
Deep Learning for Koopman-based Dynamic Movement Primitives [0.0]
実証から学ぶために,クープマン演算子と動的運動プリミティブの理論を結合して新しいアプローチを提案する。我々のアプローチは glsadmd と呼ばれ、非線形力学系を線形潜在空間に射影し、解が所望の複素運動を再現する。我々の結果は、LASAハンドライトデータセット上の拡張動的モード分解に匹敵するが、わずかな文字のトレーニングしか行わない。
論文参考訳（メタデータ） (2023-12-06T07:33:22Z)
Inferring Versatile Behavior from Demonstrations by Matching Geometric Descriptors [72.62423312645953]
人間は直感的にタスクを多目的に解決し、軌道に基づく計画や個々のステップの行動を変化させる。現在のImitation Learningアルゴリズムは、通常、単調な専門家によるデモンストレーションのみを考慮し、状態アクションベースの設定で行動する。代わりに、移動プリミティブの混合と分布マッチングの目的を組み合わせることで、専門家の行動と汎用性にマッチする多目的行動を学ぶ。
論文参考訳（メタデータ） (2022-10-17T16:42:59Z)
ProDMPs: A Unified Perspective on Dynamic and Probabilistic Movement Primitives [0.0]
ムーブメントプリミティブ(英: Movement Primitives、MP)はモジュラー軌跡を表現・生成するためのよく知られた概念である。 MPは、ダイナミック・ムーブメント・プリミティブ(DMP)と確率的ムーブメント・プリミティブ(ProMP)の2つのタイプに分類される。
論文参考訳（メタデータ） (2022-10-04T11:20:20Z)
Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and Heuristic Rule-based Methods for Object Manipulation [118.27432851053335]
本稿では,SAPIEN ManiSkill Challenge 2021: No Interaction Trackにおいて,以下の2つのトラックを対象としたシステムの概要と比較分析を行った。 No Interactionは、事前に収集された実証軌道からの学習ポリシーのターゲットを追跡する。このトラックでは,タスクを一連のサブタスクに分解することで,高品質なオブジェクト操作をトリガするHuristic Rule-based Method (HRM) を設計する。各サブタスクに対して、ロボットアームに適用可能なアクションを予測するために、単純なルールベースの制御戦略が採用されている。
論文参考訳（メタデータ） (2022-06-13T16:20:42Z)
Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文参考訳（メタデータ） (2020-12-04T18:59:32Z)

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。