論文の概要: GR-VIP: Geometric representation conditioning for precise visuomotor policy

• arxiv url: http://arxiv.org/abs/2610.22997v1
• Date: Fri, 16 Oct 2026 06:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.79377
• Title: GR-VIP: Geometric representation conditioning for precise visuomotor policy
• Title（参考訳）: GR-VIP:精密振動子ポリシーのための幾何学的表現条件付け
• Abstract要約: 精密視運動政策(GR-VIP)のための幾何学的表現条件 我々は、相対カメラポーズ推定のために予め訓練された視覚エンコーダを利用する目標条件付きビズモータポリシーGR-VIPを提案する。 実世界のドッキング作業におけるGR-VIPの評価を行い、ドッキング成功率とミリスケール端末の精度をトレーニング環境と未確認環境の両方で示す。
• 参考スコア（独自算出の注目度）: 7.191759447789436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving precise terminal position and heading alignment remains a significant challenge for learning-based mobile robot control. Recent vision-based learning methods have shown promise for precise target-relative control and generalization to unseen environments with pretrained visual encoders, but general-purpose visual representations are not specifically designed to capture the fine-grained spatial differences between current and goal views required for precise control, and real-world demonstrations combining millimeter-scale terminal accuracy with zero-shot transfer across environments remain limited. To address these challenges, we propose Geometric Representation Conditioning for Precise Visuomotor Policy (GR-VIP), a goal-conditioned visuomotor policy that leverages a visual encoder pretrained for relative camera pose estimation. Rather than using the final relative-pose estimate, GR-VIP conditions action prediction on the dense relational features produced before pose regression, preserving fine-grained cross-view information for learning corrective actions from demonstrations. We evaluate GR-VIP on a real-world docking task and demonstrate high docking success rates and millimeter-scale terminal accuracy in both the training and unseen environments, without additional training for transfer. Furthermore, supplementary experiments illustrate the policy's ability to align with non-docking targets and complete docking under a tested low-light condition.
• Abstract（参考訳）: 正確な端末位置と方向のアライメントを達成することは、学習ベースのモバイルロボット制御において重要な課題である。 近年の視覚ベースの学習手法では、事前訓練された視覚エンコーダを用いて、正確にターゲット相対制御と一般化を約束している。しかし、汎用視覚表現は、正確な制御に必要な現在の視点とゴールビューの微妙な空間的差異を捉えるために特別に設計されたものではなく、ミリスケールの端末精度と環境間のゼロショット転送を組み合わせた実世界のデモが限定されている。 これらの課題に対処するために、相対カメラポーズ推定のために予め訓練されたビジュアルエンコーダを利用する目標条件付きビジュモータポリシーであるGR-VIP(Geometric Representation Conditioning for Precise Visuomotor Policy)を提案する。 GR-VIP条件は、最終的な相対的な推定値を使用するのではなく、回帰に先立って生成された密接な関係性の特徴に基づいて行動予測を行い、デモから補正行動を学ぶための微粒なクロスビュー情報を保持する。 実世界のドッキング作業におけるGR-VIPの評価を行い、ドッキング成功率とミリスケール端末の精度を、追加のドッキング訓練を伴わずに、トレーニング環境と見えない環境の両方において示す。 さらに、補助的な実験は、試験された低照度条件下で、非ドッキング目標と整列し、完全なドッキングを行う政策の能力を示している。

関連論文リスト

• Learning to Fly: Stable Vision-Guided UAV Servoing with Compact Target-Centric Cues and Reinforcement Learning [2.6560667639241564]
  小型目標中心キューと低次元センサを用いた長距離UAVサーボについて検討した。 その結果、コンパクトな目標中心表現は、堅牢な長距離視覚サーボをサポートできることが示唆された。
  論文  参考訳（メタデータ） (2026-09-07T20:20:06Z)
• GHOST: Hierarchical Sub-Goal Policies for Generalizing Robot Manipulation [54.305781492241785]
  本稿では,トレーニング分布を超えて一般化したビジュモータ操作ポリシーを学習するための枠組みを提案する。 GHOSTは、(i)多視点RGB-D観測から、3Dエンドエフェクタ上の分布として次のサブゴールを予測する高レベルポリシーに制御を分解する。 一連のタスクの中で、この階層的な分解は、フラットな拡散ポリシーと比較して、パフォーマンスと堅牢性を一貫して改善します。
  論文  参考訳（メタデータ） (2026-06-08T18:08:01Z)
• Robust Scene Transfer for PointGoal Navigation via Privileged Sensor Guided Contrastive Learning [45.2217589644315]
  PointGoalナビゲーションにおける視覚表現学習のためのセンサ誘導適応型コントラスト学習フレームワークを提案する。 トレーニング中、特権付きLiDARセンシングは、幾何学的類似度メトリックと適応温度スケーリングを通じて、対照的な目標を導出する。 得られたエンコーダは、独立して事前訓練され、凍結され、強化学習のバックボーンとして使用される。
  論文  参考訳（メタデータ） (2026-06-03T23:15:50Z)
• VISTA: Vision-Grounded and Physics-Validated Adaptation of UMI data for VLA Training [52.05483137072975]
  Universal Manipulation Interface (UMI)は、ハードウェア固有の遠隔操作なしでスケーラブルな実世界のロボットデータ収集を可能にする。 VISTAは、この2つのギャップを3つの相乗的コンポーネントを通して橋渡しするフレームワークである。 我々は,物理検証パイプライン,UMI-VQA,検証された軌道データ,コミュニティのための事前学習モデルをリリースする。
  論文  参考訳（メタデータ） (2026-06-03T10:38:45Z)
• PriorNet: Prior-Guided Engagement Estimation from Face Video [53.005382593686356]
  パイプラインの3段階(前処理、モデル適応、客観的設計)でタスク関連事前処理を注入する事前ガイダンスフレームワークであるPresideerNetを提案する。 それぞれのデータセットのネイティブ評価プロトコルを用いて, EngageNet, DAiSEE, DREAMS, PAFE 上の PreorNet を評価する。
  論文  参考訳（メタデータ） (2026-05-05T10:40:20Z)
• Capturing Visual Environment Structure Correlates with Control Performance [62.69063991419694]
  既存のプロキシメトリクスは、ビジュアル世界の狭い側面をキャプチャする表現能力に重点を置いている。 事前学習された視覚エンコーダが環境状態の復号化を支援するかを測定する。 この推定精度は、下流の政策性能と強く相関していることを示す。
  論文  参考訳（メタデータ） (2026-02-04T18:59:12Z)
• Evaluating Robustness of Visual Representations for Object Assembly Task Requiring Spatio-Geometrical Reasoning [8.626019848533707]
  本稿では,オブジェクト・アセンブリ・タスクのコンテキストにおける視覚表現の堅牢性の評価と評価に焦点をあてる。 我々は視覚前訓練モデルを視覚エンコーダとして利用するビズモータ政策学習の一般的な枠組みを用いる。 本研究は、両腕操作装置に適用する場合、特にグリップ変動に対して、この枠組みの頑健性について検討する。
  論文  参考訳（メタデータ） (2023-10-15T20:41:07Z)
• Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill Primitives [89.34229413345541]
  本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。 本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。 代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
  論文  参考訳（メタデータ） (2020-03-19T15:04:37Z)

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。