論文の概要: MIRROR: Reflecting Hidden Symmetries from Offline Robot Interaction Data
- arxiv url: http://arxiv.org/abs/2610.17422v1
- Date: Mon, 12 Oct 2026 21:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 19:02:20.170804
- Title: MIRROR: Reflecting Hidden Symmetries from Offline Robot Interaction Data
- Title（参考訳）: MIRROR:オフラインロボットインタラクションデータから隠れた対称性を反射する
- Abstract要約: 我々は、既知の対称性群が部分的に観測可能な意思決定プロセスにおいて、観察と動作を共同で行う方法を学ぶためのフレームワークであるMIRRORを紹介する。
MIRRORは、互換性エラーの61%の削減を含む、4つの対称性を意識した3つの指標のうち、最も低い集約誤差を達成している。
また、ハイトマップとセグメンテーションマスクを用いたシミュレーションにおいて、対称性の発見とポリシートレーニングを繰り返し、その結果のポリシーゼロショットを実際のキノバ GEN3 アームに展開する。
- 参考スコア（独自算出の注目度）: 35.770831076989616
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symmetry-aware robot policy learning requires coupled observation-action transformations. For pixel observations, even simple physical symmetries can induce complex, viewpoint-dependent image transformations that are difficult to specify by hand. Existing symmetry-aware methods often rely on representations with predefined transformations, requiring preprocessing tailored to the sensing setup and task. We introduce MIRROR, a framework that learns how a known symmetry group operates jointly on observations and actions in partially observable Markov decision processes (POMDPs) from offline interaction data. MIRROR couples these transformations through adversarial tuple matching over one-step transition tuples, while explicit group-consistency regularization penalizes violations of the group-operation axioms. On four Robosuite tabletop manipulation tasks, MIRROR achieves the lowest aggregate error on three of four symmetry-quality metrics, including a 61% reduction in compatibility error (which measures consistency under transformation composition) relative to an adapted LaLiGAN baseline. Using the learned transformations in frame-averaged behavior cloning (BC) yields higher mean success rates than vanilla BC on all four tasks, increasing average success from 80.48% to 85.12%, with per-task gains up to 9.66 percentage points. We also repeat symmetry discovery and policy training in simulation with heightmap and segmentation-mask observations, then deploy the resulting policy zero-shot on a real Kinova GEN3 arm. Project page: https://pomdp-mirror.github.io.
- Abstract（参考訳）: 対称性を考慮したロボットポリシー学習には、複合的な観察・行動変換が必要である。
ピクセル観察では、単純な物理対称性でさえ、手動で特定が難しい複雑な視点に依存した画像変換を誘導することができる。
既存の対称性を意識した手法は、しばしば事前に定義された変換を持つ表現に依存し、センサーの設定とタスクに合わせた事前処理を必要とする。
このフレームワークは、オフラインの相互作用データから、部分的に観測可能なマルコフ決定プロセス(POMDP)における観測と行動の協調動作を学習するフレームワークである。
MIRRORは、対向的なタプルマッチングを通じてこれらの変換を1段階の遷移タプルに結合する一方、明示的なグループ一貫性規則化はグループ操作公理の違反を罰する。
4つのRobosuiteテーブルトップ操作タスクにおいて、MIRRORは、適応されたLaLiGANベースラインに対する互換性エラー(変換構成下での一貫性を測定する)の61%の削減を含む、4つの対称性品質指標のうち3つの最低集合誤差を達成する。
フレーム平均行動クローニング(BC)における学習された変換を利用すると、バニラBCよりも平均的な成功率が高く、平均的な成功率は80.48%から85.12%に増加し、タスク当たりの上昇率は9.66ポイントまで上昇する。
また、ハイトマップとセグメンテーションマスクによるシミュレーションで対称性の発見とポリシートレーニングを繰り返し、実際のキノヴァ GEN3 アームにゼロショットを配置する。
プロジェクトページ: https://pomdp-mirror.github.io
関連論文リスト
- Same Function, Different Trajectory: No Standard Optimizer Is Equivariant to Transformer Reparameterization [4.230349220081444]
同じ関数を表す2つのトランスフォーマーが、異なるトレーニングトラジェクトリに従うことができることを示す。
我々は,正対称対のフロベニウスノルムを周期的に等しくする,SAGGS(Symmetry-Aware Gradient Geometry Stabilization)を提案する。
123.8Mチェックポイント再試行実験では、行列ペアの相互再スケーリングは、再起動時に検証損失をほとんど変更しないが、最終的なPLPを3.78pm0.42$で増加させる。
論文 参考訳（メタデータ） (2026-10-13T10:08:15Z) - Hyperbolic Multimodal Continual Learning: A Closest-Admissible Solution [90.3699346061366]
従来のマルチモーダル幾何を保存することは、すべてのモダリティを1つの共有双曲等長に制限することを意味する。
提案手法では, 共用回転を最適に維持する結合最接近許容補正法(CA)を定式化する。
論文 参考訳（メタデータ） (2026-09-24T10:04:52Z) - Riemannian--Lorentz Fusion of Vision Transformers and State-Space Models [3.183924309596046]
ディープラーニングのスケールアップは、データの枯渇、指数的トレーニングコスト、リソース集中といった、重大なボトルネックに直面します。
モデルマージは、降下勾配のない事前訓練されたチェックポイントを組み合わせることで、マグニチュード・オブ・マグニチュードの削減と再トレーニングを提供する。
既存の重み空間マージ法では整列整合型チェックポイントが仮定されるのに対し、ViT(Vision Transformer)とSSM(State-space Model)は異なる演算子とトークンミキシングを実装している。
パラメータ群をセマンティックな役割で整列させながら両方のアーキテクチャを維持できるハイブリッドな不均一なマージ設定について検討する。
論文 参考訳（メタデータ） (2026-09-16T20:05:11Z) - SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。
既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。
明示的なWhat-whereインターフェースであるSeGDePを提示する。
論文 参考訳（メタデータ） (2026-09-08T15:11:32Z) - $A^2$GC: $A$symmetric $A$ggregation with Geometric Constraints for Locally Aggregated Descriptors [6.392844932864485]
本稿では,局所的に集約された記述子に対する幾何学的制約を持つ非対称アグリゲーションVPR法($A2$GC-VPR)を提案する。
視覚的位置認識における分布の相違に適応する非対称なマッチングを可能にする。
論文 参考訳（メタデータ） (2025-11-18T03:47:48Z) - Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。
以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。
我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。
この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
論文 参考訳（メタデータ） (2025-06-28T01:46:36Z) - RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization [26.386588932734345]
簡単な右乗算によって任意の正準を補正するクラス目的の $textitcanonical orientation normalization$ である RECON を導入する。
2次元画像ベンチマークの結果を実証し、初めて3次元グループに対称性の発見を拡張した。
論文 参考訳（メタデータ） (2025-05-19T16:10:23Z) - R2Det: Exploring Relaxed Rotation Equivariance in 2D object detection [26.05910177212846]
Group Equivariant Convolution (GConv) は、データにおける基礎となる対称性を探索し、パフォーマンスを向上させるためにモデルに権限を与える。
我々は、GConvと比較して4n$のパラメータが最小限に増大する新しいRelaxed Rotation-Equivariant GConv(R2GConv)を導入する。
R2GConvをベースとして,Relaxed Rotation-Equivariant Network (R2Net) をバックボーンとして提案し,2次元物体検出のためのRelaxed Rotation-Equivariant Object Detector (R2Det) を開発した。
論文 参考訳（メタデータ） (2024-08-21T16:32:03Z) - Learning Unorthogonalized Matrices for Rotation Estimation [83.94986875750455]
3次元の回転を推定することは、3次元コンピュータビジョンの一般的な手順である。
回転行列という表現の1つの形式は、その連続性のために人気がある。
非直交擬似擬似回転行列(PRoM)を提案する。
論文 参考訳（メタデータ） (2023-12-01T09:56:29Z) - Meta-Learning Symmetries by Reparameterization [63.85144439337671]
データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。
本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
論文 参考訳（メタデータ） (2020-07-06T17:59:54Z)
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。