論文の概要: Robotic Spatiotemporal Editing: A Unified Interface for Controllable Action Generation via Masked Action Reconstruction

• arxiv url: http://arxiv.org/abs/2610.23002v1
• Date: Fri, 16 Oct 2026 06:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.795659
• Title: Robotic Spatiotemporal Editing: A Unified Interface for Controllable Action Generation via Masked Action Reconstruction
• Title（参考訳）: ロボット時空間編集:仮面行動再構成による制御可能な行動生成のための統一インタフェース
• Abstract要約: 現実世界では、人間の意図は、どこで、いつ、どのように行動が実行されるかという制約を満たすロボットの振る舞いを必要とする。 私たちのキーとなる洞察は、キーフローや方向、キー仕様といった制御参照を、同じ時間的行動空間の一部と見なすことができるということです。 我々はMAPインタフェースを導入し、これらのアクション参照を定式化し、制御可能な操作を問題となるアクションとして統一する。
• 参考スコア（独自算出の注目度）: 11.451701564483757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative policies can synthesize robot behaviors, yet controlling and editing them through diverse spatiotemporal references remains challenging. In the real world, human intent requires robot behaviors that satisfy constraints on where, when, and how actions are executed. Our key insight is that spatiotemporal control references, such as keypoints, flows, orientations, and keyposes, can be viewed as partial specifications of the same temporal Cartesian action space. We introduce the MAP (Masked Action Space) interface to unify these action references and formulate controllable manipulation as an action inpainting problem. Our Inpainting Policy (IP) reconstructs missing action dimensions of the end-effector, combining progress-guided alignment with multi-mask training to support unseen action-constraint combinations. We further adopt a training-free RePaint variant that iteratively inpaints the action during denoising to reduce control error. On ManiSkill and LIBERO-10, our policy achieves average task success rates of 92.67% and 64.67%, respectively.Real-world experiments demonstrate spatiotemporal control with average positional and rotational errors of 44.3 mm and 7°, respectively, showing that our policy can use diverse references to guide executable robot behaviors.
• Abstract（参考訳）: 生成ポリシーはロボットの振る舞いを合成することができるが、様々な時空間参照を通してそれらを制御し、編集することは依然として困難である。 現実世界では、人間の意図は、どこで、いつ、どのように行動が実行されるかという制約を満たすロボットの振る舞いを必要とする。 我々の重要な洞察は、キーポイント、フロー、オリエンテーション、キーポジションのような時空間制御参照は、同じ時空間カルテシアン作用空間の部分的な仕様と見なせることである。 本稿では,これらのアクション参照を統一するMAP (Masked Action Space) インタフェースを導入し,アクションインペイント問題として制御可能な操作を定式化する。 Inpainting Policy (IP)は、プログレッシブ誘導アライメントとマルチマスクトレーニングを組み合わせることで、目に見えないアクション-制約の組み合わせをサポートすることで、エンドエフェクタの動作次元の欠如を再構築する。 さらに、トレーニング不要なRePaintバリアントを採用して、denoising中のアクションを反復的にインペイントして、制御エラーを低減する。 ManiSkill と LIBERO-10 では平均作業成功率 92.67% と 64.67% をそれぞれ達成し,実世界の実験では平均位置と回転誤差 44.3 mm と 7° の時空間制御を実証し,ロボットの動作のガイドに多種多様な基準を利用できることを示した。

関連論文リスト

• NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime [66.14176202476176]
  言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。 アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。 完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
  論文  参考訳（メタデータ） (2026-10-07T18:45:56Z)
• Beyond State-as-Action: Exploiting Command-State Discrepancy for Robot Imitation Learning [23.246411146258193]
  コマンド状態の不一致は、動きだけでは捉えられない制御要求を反映する可能性がある。 我々は、この情報がいつ重要か、どのように悪用するかを調査する。 ロボットの応答時間を考慮したコマンド状態離散度重み付け(CSDW)を提案する。
  論文  参考訳（メタデータ） (2026-09-27T03:16:37Z)
• Behavior-Aligned Action Tokenization for Robot Policy Learning [9.37360970873363]
  自己回帰型ロボットポリシーは、観察から個別のアクショントークンを予測することによって、継続的な制御を学習する。 本研究では,対応する動作チャンクを選択し,その量子化座標を再構成とともに整列させる行動適応型行動トークン化(BAAT)を提案する。 履歴条件付き拡散復号器はこれらのトークンから連続的なアクションチャンクを再構成し、下流の自己回帰ポリシーはそれらを予測することを学ぶ。
  論文  参考訳（メタデータ） (2026-09-23T08:12:03Z)
• One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation [17.443768996704033]
  UCAG-Pはカメラ中心の統一されたアクション定式化であり、異種エンボディドデータセットを共有された幾何学的アクション空間に整列させる。 幾何条件のアクショントランスレータは、予測運動と目標身体運動を結合して実行可能な制御を生成する。 UCAG-Pは、ロボットとシミュレーションデータの4.03K時間、人間のデモンストレーションの2.34K時間で訓練されている。
  論文  参考訳（メタデータ） (2026-08-26T17:27:36Z)
• Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
  Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。 我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。 訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
  論文  参考訳（メタデータ） (2026-08-18T17:59:30Z)
• AutoIntervene: Calibrated Intervention for Action-Chunking Imitation Learning Policies [4.786936073180585]
  アクションチャンキングビズモータポリシは、デモから学び、時間的一貫性を改善する。 デプロイ中にアクションチャンキングポリシーとオペレータ間で制御を選択的に転送するオンラインフレームワークであるAutoInterveneを提案する。
  論文  参考訳（メタデータ） (2026-08-07T10:14:29Z)
• Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? [78.81308700607651]
  アクションチャンキングは単一のアクションではなく、複数のアクションを予測し、実行する。 非マルコフ表現率の増大と、マルコフポリシーと比較して複合誤差の低減による作用チャンキングの利点が示された。 本稿では,アンサンブルを明示的にインスタンス化することで,アクションチャンキングのメリットを増幅するポリシークラスを提案する。
  論文  参考訳（メタデータ） (2026-08-03T17:32:45Z)
• Ctrl-World: A Controllable Generative World Model for Robot Manipulation [53.71061464925014]
  汎用ロボットポリシーは、幅広い操作スキルを実行することができる。 未知の物体や命令で 彼らの能力を評価し 改善することは 重要な課題です 世界モデルは、イマジネーション空間内でポリシーの展開を可能にすることで、有望でスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-11T09:13:10Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。