論文の概要: LIBERO-Dynamic: Benchmarking Robotic Manipulation in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2610.24579v1
- Date: Sat, 17 Oct 2026 09:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 17:34:00.83775
- Title: LIBERO-Dynamic: Benchmarking Robotic Manipulation in Dynamic Environments
- Title（参考訳）: LIBERO-Dynamic: 動的環境におけるロボット操作のベンチマーク
- Abstract要約: LIBEROタスクの動的拡張であるLIBERO-Dynamicを導入する。
物体を3つの軌道系と速度層に沿って接触摩擦によって駆動し、キャリブレーションされたモデル固有の推論遅延に従って物理世界を前進させる。
我々は,構成毎の1,800の動的条件に関する事前訓練された6つのポリシーを評価し,実行戦略と動作地平線を固定チェックポイントと比較し,動的データと混合データを用いて3つのアーキテクチャを微調整した。
- 参考スコア（独自算出の注目度）: 21.562174256474137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most simulation benchmarks for robotic manipulation keep target objects static and treat policy inference as instantaneous. These assumptions simplify evaluation but hide how a moving target evolves during computation and how stale an observation is when an action is executed. We introduce LIBERO-Dynamic, a dynamic extension of all 40 LIBERO tasks. It drives objects through contact friction along three trajectory families and speed tiers, while advancing the physical world according to calibrated, model-specific inference latency. The same mechanism supports training by replaying verified static demonstrations and compensating robot actions online for target displacement, producing 9,000 quality-filtered dynamic trajectories. We evaluate six pretrained policies on 1,800 dynamic conditions per configuration, compare execution strategies and action horizons with fixed checkpoints, and fine-tune three architectures using dynamic and mixed data. Faster motion degrades every policy but not uniformly; execution timing and horizon can change the behavior of the same policy; and asynchronous replanning benefits from frequent feedback only when the action queue avoids underflow. Dynamic demonstrations improve each architecture under at least one recipe, with gains varying by temporal conditioning, data composition, and training budget. A small-scale physical study shows task-dependent execution-strategy differences consistent with simulation. LIBERO-Dynamic makes object motion, inference latency, and action execution explicit and controllable for evaluating and improving robot policies in moving-target manipulation.
- Abstract（参考訳）: ロボット操作のためのほとんどのシミュレーションベンチマークは、ターゲットオブジェクトを静的に保ち、ポリシー推論を瞬時に扱う。
これらの仮定は、評価を単純化するが、動作対象が計算中にどのように進化するか、動作の実行時に観察が停滞するかを隠蔽する。
LIBEROタスクの動的拡張であるLIBERO-Dynamicを導入する。
物体を3つの軌道系と速度層に沿って接触摩擦によって駆動し、キャリブレーションされたモデル固有の推論遅延に従って物理世界を前進させる。
同じメカニズムは、検証済みの静的なデモを再生し、ターゲットの変位をオンラインに補償することでトレーニングをサポートし、9000の品質フィルタされたダイナミックな軌道を生成する。
我々は,構成毎の1,800の動的条件に関する事前訓練された6つのポリシーを評価し,実行戦略と動作地平線を固定チェックポイントと比較し,動的データと混合データを用いて3つのアーキテクチャを微調整した。
高速な動きはすべてのポリシーを劣化させるが、一様ではない。実行タイミングと水平線は同じポリシーの振る舞いを変えることができ、アクションキューがアンダーフローを避ける場合にのみ、頻繁なフィードバックによる非同期なリプランングのメリットがある。
動的デモは、各アーキテクチャを少なくとも1つのレシピで改善し、時間的条件付け、データ構成、トレーニング予算によって改善する。
小規模の物理的研究は、タスク依存実行戦略の違いがシミュレーションと一致していることを示している。
LIBERO-Dynamicは、オブジェクトの動き、推論遅延、アクションの実行を明示的にし、移動ターゲット操作におけるロボットポリシーの評価と改善を可能にする。
関連論文リスト
- WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。
異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。
WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
論文 参考訳（メタデータ） (2026-09-29T17:26:22Z) - Scouting the Dynamics Gap: Test-Time Policy Adaptation via Action-Outcome Feedback [9.289485085307886]
SCOUTは動的に認識されるメタ学習フレームワークで、操作ポリシーの迅速な適応を可能にする。
提案手法は,行動予測ポリシーとフォワードダイナミクスモデルとを共用し,共用信念の潜在空間を探索する。
SCOUT は実世界において,シミュレーションされた操作ベンチマーク間のオンライン適応を著しく促進し,実世界におけるロバストなsim-to-real転送を実現することを実証した。
論文 参考訳（メタデータ） (2026-09-28T18:45:34Z) - Dynamic Manipulation with World-Action Models via Counterfactual Planning [44.2424326475039]
World-Actionモデルは、必要な操作スキルを持っている場合でも、動作中のターゲットを操作するのに失敗することが多い。
本研究では,実行に使用する物理状態から計画生成に使用するコンテキストを分離することにより,動的操作を対物計画として定式化する。
我々のフレームワークである動的予測計画 (Dynamic Predictive Planning, DPP) は、まずWAMの予測ロールアウトを用いて、相互作用の発生時期を推定し、このタイミング推定と観測対象の動きを組み合わせ、ターゲットの将来の相互作用位置を予測する。
そして、DPPは、この予測された目標位置を馴染みのあるロボットコンテキストに配置し、モデルが既存のロボットを起動できるようにする対物観測を構築する。
論文 参考訳（メタデータ） (2026-09-27T03:48:20Z) - Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place [54.561625475942584]
本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。
このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。
物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-16T04:55:12Z) - DynamicManip: Enabling Dynamic Manipulation from a Single Static Demonstration [34.4044954225045]
高速なデータ拡張パイプラインと低レイテンシな模倣ポリシを通じて,課題に対処するDynamicManipを提案する。
動的操作タスクにおいて、DynamicManipは、平均成功率18.4ポイント以上のパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2026-08-02T19:23:54Z) - DynamicWAM: Dual-Path Motion Conditioning for World-Action Models in Dynamic Manipulation [7.0603285861926715]
DynamicWAMは、デュアルパス動作条件付き動的オブジェクト操作のためのコンパクトなWAMである。
DOMINOでは、DynamicWAMは38.2%の成功率と53.2の操作スコアを獲得し、評価されたすべてのベースラインを上回っている。
論文 参考訳（メタデータ） (2026-08-01T17:49:39Z) - DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation [52.83157499300261]
時間的推論と閉ループ適応を統合した動的オブジェクト操作のフレームワークであるDynamicVLAを提案する。
我々は、自動データ収集パイプラインでスクラッチから構築されたDynamic Object Manipulationベンチマークを紹介します。
広範囲な評価は、応答速度、知覚、一般化の顕著な改善を示している。
論文 参考訳（メタデータ） (2026-01-29T18:59:51Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Multi-Task Reinforcement Learning based Mobile Manipulation Control for
Dynamic Object Tracking and Grasping [17.2022039806473]
汎用的な動的物体追跡と把握を実現するために,マルチタスク強化学習に基づく移動体操作制御フレームワークを提案する。
実験の結果、トレーニングされたポリシーは、約0.1mの追跡誤差と75%の達成率で、目に見えないランダムなダイナミックな軌道に適応できることがわかった。
論文 参考訳（メタデータ） (2020-06-07T21:18:36Z)
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。