論文の概要: Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration

• arxiv url: http://arxiv.org/abs/2610.18848v1
• Date: Tue, 13 Oct 2026 17:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:48:16.226457
• Title: Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration
• Title（参考訳）: 接触軌跡プロンプト:単一演示からの接触リッチ行動の文脈移動
• Abstract要約: コンテキスト内ロボット学習により、ロボットはテスト時間パラメータを更新することなく、デモから新しい行動を取得することができる。 本稿では,コンタクトリッチな操作行動のワンショット転送のためのフレームワークであるContact Trajectory Prompting (CTP)を提案する。 CTPは、単一のデモンストレーションから順序付けられた接触軌道プロンプトに動きと接触情報を符号化する。
• 参考スコア（独自算出の注目度）: 105.07023811083566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In-context robot learning enables robots to acquire new behaviors from demonstrations without test-time parameter updates. However, visual and kinematic specifications alone may not distinguish contact-rich behaviors that share similar motions but require different interaction intensities or patterns. We propose Contact Trajectory Prompting (CTP), a framework for one-shot transfer of contact-rich manipulation behaviors. CTP encodes motion and contact information from a single demonstration into an ordered contact trajectory prompt that captures their temporal evolution and specifies the desired physical interaction behavior. During execution, the policy uses online sensory feedback to retrieve interaction-relevant information from the prompt, conditioning closed-loop action generation on the demonstrated contact behavior. Across real-world wiping, rotation, and insertion tasks on objects excluded from training, CTP achieves 78.7% overall success, outperforming the strongest evaluated baseline by 13.0 percentage points. Changing only the reference demonstration enables CTP to follow contact specifications for both intensity and direction, including an intermediate wiping force level and clockwise or counterclockwise cap rotation. These results demonstrate that contact trajectories serve as effective behavioral specifications, extending in-context robot learning beyond motion imitation to physical interaction transfer. Project website: https://ctp-robotics.github.io/project_page.
• Abstract（参考訳）: コンテキスト内ロボット学習により、ロボットはテスト時間パラメータを更新することなく、デモから新しい行動を取得することができる。 しかし、視覚的およびキネマティックな仕様だけでは、類似した動きを共有するが、異なる相互作用の強度やパターンを必要とする接触に富んだ振る舞いを区別することができない。 本稿では,コンタクトリッチな操作行動のワンショット転送のためのフレームワークであるContact Trajectory Prompting (CTP)を提案する。 CTPは、単一のデモンストレーションから得られた動きと接触情報を順序付けられた接触経路プロンプトに符号化し、その時間的進化を捉え、所望の物理的相互作用の振る舞いを特定する。 実行中、ポリシはオンラインの感覚フィードバックを使用して、プロンプトからインタラクション関連情報を検索し、実証された接触行動に基づいてクローズドループアクション生成を条件付ける。 実世界のワイピング、回転、挿入のタスクがトレーニングから除外され、CTPは78.7%の総合的な成功を達成し、最も評価の高いベースラインを13.0ポイント上回った。 基準実証だけを変更することで、CTPは、中間ワイピング力レベルと時計回りまたは反時計回りのキャップ回転を含む、強度と方向の両方の接触仕様に従うことができる。 これらの結果は、接触軌跡が効果的な行動仕様として機能することを示し、動きの模倣を超えたコンテキスト内ロボット学習を物理的相互作用伝達に拡張する。 Project website: https://ctp-robotics.github.io/project_page.com

関連論文リスト

• Contact-Aware Imitation Learning Through Contact Factorization [8.235119281001591]
  汎用的なコンタクトリッチな操作は、物理的な実現を接触条件の変化に適応させながら、意図したタスク動作を維持することをロボットに要求する。 本研究では,環境に依存した接触要因から意図したタスク動作を分離する,コンタクトファクターによる模倣学習フレームワークであるFACEを紹介する。 表面特性と幾何の相違による実ロボット接触リッチな操作におけるFACEの評価を行った。
  論文  参考訳（メタデータ） (2026-10-07T06:36:48Z)
• TacOT: Learning Contact-Rich Dexterous Manipulation from Human Demonstrations via Tactile-Guided Optimal Transport [4.73957714505574]
  触覚力学は、類似の動作を持つが接触状態が異なる操作過程を区別するために、相互作用を意識する手がかりを提供する。 触覚誘導型最適輸送(TacOT)を導入する。
  論文  参考訳（メタデータ） (2026-10-03T08:00:56Z)
• Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting [21.55901773307122]
  本稿では,動力学的に実現可能な参照を動的に実現可能な全身軌跡に変換する,接触型直接シミュレーションベース多重撮影(DSMS)フレームワークを提案する。 命令条件付き接触リッチクローリングと高度にダイナミックな180度ジャンプターンにより、Unitree G1上のゼロショットsim-to-real転送を実証する。
  論文  参考訳（メタデータ） (2026-08-04T04:38:34Z)
• ContactMimic: Humanoid Object Interaction via Contact Control [14.393971688434528]
  本研究では,キーポイントトラジェクトリとともに,明示的な部分レベルバイナリコンタクトコマンドを追跡する学習フレームワークであるConTACTMIMICを提案する。 CONTACTMIMICは、接触追従報酬と軌道拡張スキームを用いることで可能となる。 シミュレーション実験により、ConTACTMIMICはタスク固有の報酬なしで操作を完了できる接触制御性を示すことを確認した。
  論文  参考訳（メタデータ） (2026-07-09T17:42:15Z)
• ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration [17.067367964368486]
  Sim-to-real Policy Transferは、大規模な実世界のデータなしでロボット操作をスケールするための有望なパラダイムである。 本稿では,実演から抽出したタスク関連接触イベントシーケンスを利用する,コンタクト中心の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実 接触リッチな操作タスクの実験は、制約のないRLベースラインよりも安定でロバストなsim-to-realポリシー転送を示す。
  論文  参考訳（メタデータ） (2026-06-29T13:16:33Z)
• TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
  TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。 TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。 高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
  論文  参考訳（メタデータ） (2026-01-28T04:22:47Z)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
  本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。 入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。 実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-09-15T17:05:02Z)

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。