論文の概要: Hyperspherical Contrastive Representations Unlock Planning and Exploration

• arxiv url: http://arxiv.org/abs/2610.20409v1
• Date: Wed, 14 Oct 2026 16:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.245728
• Title: Hyperspherical Contrastive Representations Unlock Planning and Exploration
• Title（参考訳）: 超球面コントラスト表現は計画と探索を解き放つ
• Abstract要約: 我々は、事前データ、報酬、デモンストレーション、事前訓練されたモデルなしで、ゼロから最大8つの立方体を持つタワーを構築することを学習する自己教師付き強化アルゴリズムを開発した。 球面線形補間(C-Slerp)によるコントラスト計画(Contrastive Planning)では,コントラスト表現を再利用可能なビルディングブロックとして使用し,中間経路点列を推論するために繰り返し構成する。
• 参考スコア（独自算出の注目度）: 40.61072074159465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a self-supervised reinforcement learning algorithm that learns to build towers of up to eight cubes from scratch, without prior data, rewards, demonstrations, or pretrained models. Our method, Contrastive Planning via Spherical Linear Interpolation (C-Slerp), uses contrastive representations as reusable building blocks and repeatedly composes them to infer a sequence of intermediate waypoints. Under our hyperspherical parameterization, the learned representations allow intermediate waypoints to be inferred in closed form through spherical linear interpolation, without training a separate high-level policy or performing graph search. Importantly, the representation geometry also tells us how to adjust the number of waypoints based on the difficulty of each goal-reaching problem. Experiments show that our method succeeds on long-horizon navigation and robotic manipulation tasks, including settings where strong baselines fail to achieve a single success. Ablations further show that using a fixed number of waypoints substantially degrades performance, highlighting the importance of adapting the plan to task difficulty.
• Abstract（参考訳）: 我々は、事前データ、報酬、デモンストレーション、事前訓練されたモデルなしで、最大8つの立方体からなるタワーをゼロから構築することを学ぶ自己教師付き強化学習アルゴリズムを開発した。 球面線形補間(C-Slerp)によるコントラスト計画(Contrastive Planning)では,コントラスト表現を再利用可能なビルディングブロックとして使用し,中間経路点列を推論するために繰り返し構成する。 我々の超球面パラメタライゼーションの下では、学習された表現は、別の高レベルポリシーを訓練したりグラフ検索を行うことなく、球面線形補間により中間経路点を閉じた形で推論することができる。 重要なことに、表現幾何学は、各ゴール取得問題の難易度に基づいて、経路点の数を調整する方法も教えてくれる。 実験により,強いベースラインが単一成功を達成できないような設定を含む,長距離ナビゲーションやロボット操作のタスクにおいて,本手法が成功することが示された。 さらに、一定数のウェイポイントを使用することでパフォーマンスが大幅に低下し、作業の困難さに計画を適用することの重要性が強調される。

関連論文リスト

• RoboHitch: Learning Visual Affordance from Disordered Keypoints for Hitch Knots Tying [4.437059562306781]
  既存のロボットノットタイリング手法は、順序付けられたキーポイントと明示的なエッジ接続を備えた正確なトポロジカルな状態追跡に依存している。 本稿では,不規則な3DキーポイントとRGB画像のみを用いて,人間のデモからヒッチ結び付けを学習する新しいフレームワークRoboHitchを紹介する。
  論文  参考訳（メタデータ） (2026-05-23T04:38:58Z)
• Learning Smooth State-Dependent Traversability from Dense Point Clouds [6.737978313065354]
  オフロード自動運転における主要な課題は、地形の移動可能性がしばしば車両の状態に依存することである。 SPARTA(SPARTA)は、点雲からの接近角度条件付きトラバータビリティを推定する手法である。 本モデルでは,40mの岩場を横断する91%の成功率を達成する。
  論文  参考訳（メタデータ） (2025-06-04T18:21:54Z)
• NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds [41.723434094309184]
  無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。 最近の進歩は、ニューラルサインされた距離関数をトレーニングして、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。 我々は三面構造の表現能力を活用して符号付き距離関数の学習を高速化するNumGrad-Pullを導入する。
  論文  参考訳（メタデータ） (2024-11-26T12:54:30Z)
• Weakly-supervised 3D Pose Transfer with Keypoints [57.66991032263699]
  3Dポーズ転送の主な課題は、1) 異なる文字で同じポーズを行うペアトレーニングデータの欠如、2) ターゲットメッシュからポーズと形状情報を分離すること、3) 異なるトポロジを持つメッシュに適用することの難しさである。 本稿では,これらの課題を克服するためのキーポイントベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T12:40:24Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds with Optimal Transport and Random Walk [59.87525177207915]
  シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。 本手法は,自己教師付き学習手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-18T03:12:42Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。