論文の概要: ForceWAM: Decoupling Future and Response Learning from Demo and Play Data for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2610.18852v1
• Date: Tue, 13 Oct 2026 17:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:33:59.863818
• Title: ForceWAM: Decoupling Future and Response Learning from Demo and Play Data for Contact-Rich Manipulation
• Title（参考訳）: ForceWAM: コンタクトリッチ操作のためのデモとプレイデータから未来と反応学習を分離する
• Abstract要約: ForceWAMは、タスク互換のインタラクション結果に関する知識と、ローカルアクションの接触の変化に関する知識を分離するフォースワールドアクションモデルである。 世界モデルは、成功したデモから学び、将来のビデオと6軸力/トルク軌道を共同で予測する。 個別の逆ダイナミクスモデル(IDM)は、タスクとプレイの両方から学習し、現在の観察をマッピングし、記録されたビジュアルレンチ未来を関連するロボットアクションにマッピングする。
• 参考スコア（独自算出の注目度）: 45.59599641025712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expert demonstrations show how to complete contact-rich tasks, but provide limited coverage of how interaction forces respond to different actions. Task-agnostic play provides broader experience of contact dynamics without specifying task goals. To fully leverage these two types of data, we introduce ForceWAM, a force world action model that decouples knowledge of task-compatible interaction outcomes from knowledge of how local actions change contact. A world model learns from successful demonstrations to jointly predict future video and six-axis force/torque trajectories. Together, these futures describe the expected evolution of motion and contact during the task. A separate inverse dynamics model (IDM) learns from both task and play, mapping current observations and recorded visual-wrench futures to their associated robot actions. Play data thus provide knowledge of force responses for goal-directed execution. At deployment, the IDM reactively translates generated futures into actions, reusing them with fresh wrench feedback between world-model updates. Across real-robot force-regulated sliding, box flipping with and without disturbances, and ring placement, ForceWAM achieves $85$-$95\%$ mean success, surpassing world-modeling and reactive baselines. Our experiments further show that adding task-agnostic play data improves success by $15$-$45$ percentage points, demonstrating its value for learning contact-rich execution. Project page and code are available at https://force-wam.github.io/.
• Abstract（参考訳）: 専門家によるデモンストレーションでは、コンタクトリッチなタスクの完了方法が示されているが、インタラクションフォースがさまざまなアクションにどう反応するかについては、限定的なカバレッジを提供している。 タスクに依存しないプレイは、タスク目標を指定せずにコンタクトダイナミクスの幅広い経験を提供する。 これらの2種類のデータを完全に活用するために、ローカルなアクションがどのように接触を変えるかの知識からタスク互換のインタラクション結果の知識を分離するフォースワールドアクションモデルであるForceWAMを導入する。 世界モデルは、成功したデモから学び、将来のビデオと6軸力/トルク軌道を共同で予測する。 これらの未来は共に、タスク中の動きと接触の予想される進化を記述している。 個別の逆ダイナミクスモデル(IDM)は、タスクとプレイの両方から学習し、現在の観察をマッピングし、記録されたビジュアルレンチ未来を関連するロボットアクションにマッピングする。 データを再生することで、ゴール指向実行のための強制応答の知識を提供する。 デプロイメントでは、IMMは生成された未来をリアクティブにアクションに変換し、ワールドモデル更新間の新たなレンチフィードバックで再利用する。 ForceWAMは、実ロボットの力によるスライディング、乱れや乱れのない箱の転がり、リングの配置などを通じて、平均的な成功率を85ドル～95セントで達成し、世界モデリングとリアクティブベースラインを超越している。 さらに,タスクに依存しないプレイデータを追加することで,15～45ドルのパーセンテージが向上し,コンタクトリッチな実行を学ぶ上での価値が示された。 プロジェクトページとコードはhttps://force-wam.github.io/.com/で公開されている。

関連論文リスト

• $N_0$-TWAM: Scaling Tactile-Native World-Action Model for Contact-Rich Manipulation [0.0]
  我々は,将来の視覚と将来の接触の両方を予測する,接触リッチな操作のための触覚的世界行動モデルを提案する。 我々の知る限り、これは大規模に訓練された最初の触覚世界行動モデルであり、コンタクトリッチなタスクに強い能力を示す。 我々は、力に基づく統合された触覚表現であるNeoForceを使用して、アクション生成を条件とした物理的接点信号を形成する。
  論文  参考訳（メタデータ） (2026-07-26T17:58:53Z)
• FAWAM: Force-Aware World Action Models for Closed-Loop Contact-Rich Manipulation [15.60337615237323]
  本稿では,力覚的世界行動モデルであるFAWAMを提案する。 実世界の実験では、FAWAMは視覚のみのベースラインより36.25%、既存のフォース対応ベースラインより21.25%向上している。
  論文  参考訳（メタデータ） (2026-06-07T10:26:03Z)
• OmniVTA: Visuo-Tactile World Modeling for Contact-Rich Robotic Manipulation [57.133721026727706]
  textbfOmniViTacは,16ドルのタスクと100ドル以上のオブジェクトからなる21,000ドル以上のトラジェクトリからなる大規模ビズオタクティルアクションデータセットである。 我々は4つの密結合モジュールを統合する世界モデルベースのビジュオ触覚操作フレームワークである textbf OmniVTA を提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:52:42Z)
• DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [110.98100817695307]
  私たちはDreamDojoを紹介します。DreamDojoは、多種多様なインタラクションと、エゴセントリックな人間ビデオの44万時間から厳密なコントロールを学ぶ基礎的な世界モデルです。 本研究は, 遠隔操作, 政策評価, モデルベース計画など, 生成的世界モデルに基づくいくつかの重要な応用を可能にする。
  論文  参考訳（メタデータ） (2026-02-06T18:49:43Z)
• PsiPhi-Learning: Reinforcement Learning with Demonstrations using Successor Features and Inverse Temporal Difference Learning [102.36450942613091]
  時間差学習(ITD)と呼ばれる逆強化学習アルゴリズムを提案する。 Psi Phi$-learningと呼ばれるデモで強化学習のための新しいアルゴリズムに到達し、オンライン環境の相互作用から学習とITDをシームレスに統合する方法を示します。
  論文  参考訳（メタデータ） (2021-02-24T21:12:09Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。