論文の概要: I3L: Iterative Interactive Imitation Learning for Whole-Body Mobile Manipulation

• arxiv url: http://arxiv.org/abs/2610.17748v1
• Date: Tue, 13 Oct 2026 05:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.528187
• Title: I3L: Iterative Interactive Imitation Learning for Whole-Body Mobile Manipulation
• Title（参考訳）: I3L: 全体移動マニピュレーションのための反復的対話型模倣学習
• Abstract要約: 遠隔操作によるデモからオフラインでトレーニングされたポリシーは、トレーニングディストリビューションの外で分解することができる。 I3Lは,全体補正と反復的ポリシー改善を組み合わせた統合ハードウェアおよび学習システムである。 I3Lは3つのロボットの実施形態と8つの実世界の課題にまたがって評価され、その中には4つの長距離移動体操作タスクが含まれていた。
• 参考スコア（独自算出の注目度）: 24.712867438387743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Policies trained offline from teleoperated demonstrations can degrade outside their training distribution. This gap is particularly acute in long-horizon whole-body mobile manipulation, where long horizons amplify compounding errors and coordinated arm, torso, and base motion makes exhaustive demonstration coverage impractical. We introduce I3L, an integrated hardware and learning system that combines whole-body correction with iterative policy refinement to address this last-mile reliability gap. Its low-cost, open-source JoyLo+ interface uses policy-tracking leader arms and touch-triggered takeover to enable coordinated corrections across the body parts, while iterative deployment and retraining allow operators to target failures of the updated policy. We evaluate I3L across three robot embodiments and eight simulated and real-world tasks, including four long-horizon whole-body mobile manipulation tasks. Controlled simulation experiments show that four-round HG-DAgger achieves the highest final success on both tasks. Under this protocol, I3L improves autonomous success over the base policies by an average of 68.3 percentage points and achieves at least 90% success on every task, outperforming demonstration-only training by 35.6 percentage points on average with the same number of training trajectories. Averaged across tasks, takeover duration per episode decreases by 72% over four rounds. Together, these results show that I3L helps close the last-mile gap between offline training and reliable deployment and provides practical insights into collecting and using corrections for long-horizon whole-body mobile manipulation. Videos, visualizations, and appendix are at https://i-3l.github.io/.
• Abstract（参考訳）: 遠隔操作によるデモからオフラインでトレーニングされたポリシーは、トレーニングディストリビューションの外で分解することができる。 このギャップは、長い水平な体全体の移動操作において特に急激であり、長い地平線は複合的なエラーと調整された腕、胴体、ベースモーションを増幅し、徹底的な実演のカバレッジを非現実的にする。 我々は、このラストマイルの信頼性ギャップに対処するために、全体修正と反復的なポリシー改善を組み合わせた統合ハードウェアおよび学習システムであるI3Lを紹介する。 低コストでオープンソースのJoyLo+インターフェースは、ポリシー追跡のリーダーアームとタッチトリガーによるテイクオーバーを使用して、ボディ部分間の調整を可能にすると同時に、反復的なデプロイメントと再トレーニングにより、オペレータが更新されたポリシーの失敗をターゲットにすることができる。 I3Lは3つのロボットの実施形態と8つの実世界の課題にまたがって評価され、その中には4つの長距離移動体操作タスクが含まれていた。 制御されたシミュレーション実験により,4ラウンドのHG-DAggerが両タスクで最高の最終成功を達成していることが示された。 このプロトコルの下では、I3Lは基本方針に対する自律的な成功を平均68.3ポイント改善し、全てのタスクにおいて少なくとも90%の成功を達成する。 タスク全体で平均すると、エピソードごとのテイクオーバー時間は4ラウンドで72%減少する。 これらの結果から,I3Lはオフライントレーニングと信頼性デプロイメントのラストマイルギャップを埋めることに役立ち,長期にわたる体全体の移動操作の収集と使用に関する実践的な洞察を提供する。 ビデオ、視覚化、付録はhttps://i-3l.github.io/にある。

関連論文リスト

• LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
  専門家によるデモのスケーリングだけでは、一般的なロボットポリシーがデプロイメントから改善されることはない。 この完全品質スペクトルから直接学習する閉ループワールドアクションモデルである textbfLoopWAM を導入する。 音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
  論文  参考訳（メタデータ） (2026-10-13T17:59:56Z)
• RoXDrive: Closed-Loop Reinforcement Learning for End-to-End Autonomous Driving via Action-Faithful Rollouts [98.41251854883184]
  強化学習(RL)ポストトレーニングは、現在のアプローチに代わる有望な代替手段を提供する。 ビデオワールドモデルは、現実的な多段階の将来のロールアウトを生成する能力を示したが、アクション条件を忠実に反映しないかもしれない。 本稿では,信頼性の高いポリシ最適化を実現するプラグイン・アンド・プレイクローズドループRLフレームワークであるRoXDriveを紹介する。
  論文  参考訳（メタデータ） (2026-09-29T06:59:50Z)
• GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation [60.95802802905149]
  GIFT(Guided Intermediate Feature Training)は,中間機能学習のためのアーキテクチャフレキシブルなフレームワークである。 我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。 RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。
  論文  参考訳（メタデータ） (2026-09-03T17:59:03Z)
• Learning while Deploying: Fleet-Scale Reinforcement Learning for Generalist Robot Policies [23.266003019334438]
  汎用的なロボットポリシーは、大規模な事前トレーニングの恩恵を受ける傾向にあるが、オフラインデータだけでは、堅牢な現実世界のデプロイメントには不十分である。 本稿では,VLA(Vision-Language-Action)ポリシーの継続学習のための,艦隊規模のオフライン-オンライン強化学習フレームワークであるLWDを紹介する。
  論文  参考訳（メタデータ） (2026-05-01T05:20:26Z)
• LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies [54.150202739999806]
  LiLo-VLAは、新しいロングホライゾンタスクに対してゼロショットのモジュラリティをトレーニングすることなく実現できるモジュラーフレームワークである。 LIBERO-Long++とUltra-Longという2つの課題からなる21タスクのシミュレーションベンチマークを導入する。 これらのシミュレーションでは、LiLo-VLAは平均成功率69%を達成し、Pi0.5を41%、OpenVLA-OFTを67%上回った。
  論文  参考訳（メタデータ） (2026-02-25T03:33:39Z)
• EvoVLA: Self-Evolving Vision-Language-Action Model [11.746804244345613]
  VLA(Vision-Language-Action)モデルでは、長い水平ロボット操作が依然として難しい。 本稿では,3つの相補的コンポーネントを通じてこの問題に対処する自己教師型VLAフレームワークであるEvoVLAを紹介する。 EvoVLAはサンプル効率を1対半改善し、ステージ幻覚を38.5%から14.8%に下げる。
  論文  参考訳（メタデータ） (2025-11-20T09:08:33Z)
• Efficient Multi-turn RL for GUI Agents via Decoupled Training and Adaptive Data Curation [65.3648667980258]
  視覚言語モデル(VLM)に基づくGUIエージェントは複雑なタスクの自動化を約束するが、強化学習(RL)の適用において大きな課題に直面している。 異種モジュールを高度に非結合的に協調するGUIエージェントのための非結合エージェントRLトレーニングフレームワークであるDARTを提案する。 OSWorldのベンチマークでは、DART-GUI-7Bは42.13%のタスク成功率、14.61%の絶対ゲイン、オープンソースSOTAよりも7.34%高い。
  論文  参考訳（メタデータ） (2025-09-28T13:19:20Z)
• The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning [13.599764233174973]
  MiDiGapは、ロボット操作におけるフレキシブルポリシー表現と模倣学習のための新しいアプローチである。 1分以内でCPU上のタスクを学習し、大規模なデータセットに線形にスケールする。 様々な数ショットのベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-06T08:27:23Z)
• Estimator-Coupled Reinforcement Learning for Robust Purely Tactile In-Hand Manipulation [4.3012765978447565]
  我々は、純粋に触覚的で、ゴールコンディションがあり、手元を下向きに向けて、手元を直立させるという挑戦的な課題に取り組む。 シミュレーションにおいてすでにトレーニング中の状態推定器に制御ポリシを結合することにより,この問題を解決する。 当社のGPUアクセラレート実装では、スクラッチからの学習は、単一の低コストGPUで6.5時間のトレーニング時間のみを要します。
  論文  参考訳（メタデータ） (2023-11-07T15:19:50Z)

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。