論文の概要: Learning Robot Behavior Priors from Non-Robotic Synthetic Data

• arxiv url: http://arxiv.org/abs/2610.31275v1
• Date: Thu, 22 Oct 2026 13:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.390478
• Title: Learning Robot Behavior Priors from Non-Robotic Synthetic Data
• Title（参考訳）: 非ロボット合成データを用いたロボット行動の学習
• Abstract要約: 本研究では,エボディメントを伴わないシステムから,モデルが必要な構造を取得できる程度について検討する。 ロボット制御の数学的抽象化をモデル化する3つのデータ生成パイプラインを導入し,これらをトランスフォーマーの事前学習先として利用する。 この非ロボティックなデータに基づいて純粋に訓練されたモデルが、見えない物理ロボットのタスクにおいて、非自明なゼロショット予測性能を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 9.996071196084378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real robot data, rich across tasks and morphologies, is often treated as the bottleneck for training robot learning models, including embodied foundation models that aim for zero-shot physical transfer. In this paper, we investigate the degree to which such models can acquire necessary structure using data from systems without embodiment. To this end, we test if inexpensive, procedurally generated synthetic data can yield useful priors before a model observes any real-world behavior. We study this through robot action prediction, a natural pretraining objective and a direct test of whether structure learned from arbitrary synthetic tasks transfers to embodied settings. We introduce three data generation pipelines that model mathematical abstractions of robotic control, and use them as pretraining priors for a Transformer. We demonstrate that a model trained purely on this non-robotic data attains non-trivial zero-shot prediction performance on unseen physical robot tasks via an in-context learning mechanism, and that our specialized control priors notably improve upon generic causal priors. We also compare against a compute-matched baseline trained on real robot data, and find that it outperforms our model but only on the datasets it was trained on. These findings suggest that procedurally generated, mathematical abstractions can yield useful robotic priors, offering a potential complement to expensive embodied data collection.
• Abstract（参考訳）: タスクや形態に富んだ実際のロボットデータは、ゼロショット物理移動を目的とした基礎モデルを含む、ロボット学習モデルのトレーニングのボトルネックとして扱われることが多い。 本稿では,そのようなモデルが,実施せずにシステムからデータを用いて,必要な構造を取得することができる程度について検討する。 この目的のために、モデルが実世界の振る舞いを観察する前に、安価で手続き的に生成された合成データが有用な先行データが得られるかどうかをテストする。 本研究は,ロボット行動予測,自然な事前学習目標,および任意の合成タスクから学習した構造が具体的環境へ移行するかどうかを直接的に検証する。 ロボット制御の数学的抽象化をモデル化する3つのデータ生成パイプラインを導入し,これらをトランスフォーマーの事前学習先として利用する。 この非ロボティックなデータに基づいて純粋に訓練されたモデルが、コンテキスト内学習機構を介して、見えない物理ロボットのタスクに対して、非自明なゼロショット予測性能を達成できること、そして、我々の特殊な制御が、一般的な因果前処理よりも顕著に改善できることを実証する。 また、実際のロボットデータに基づいてトレーニングされた計算マッチングベースラインと比較し、トレーニングされたデータセットでのみ、私たちのモデルよりも優れています。 これらの結果は、手続き的に生成された数学的抽象化が、高価なエンボディドデータ収集を補完する潜在的に有益なロボティクスを得られることを示唆している。

関連論文リスト

• Neural Operators for Design-Space Surrogate Modeling of Tendon-Actuated Continuum Robots [4.24218428642772]
  本稿では,操作者学習問題として,腱駆動型連続体ロボットの代理モデルについて定式化する。 この定式化により、単一の訓練されたモデルが、幅広い種類のロボット設計にまたがって一般化することができる。
  論文  参考訳（メタデータ） (2026-05-18T20:44:41Z)
• Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry [0.5277756703318045]
  本稿では,非ホロノミック移動ロボットの予測制御系にEDMDモデルを組み込む方法について検討する。 実世界の計測データのみを用いて、シミュレーションとハードウェア実験の両方で、サロゲートモデルが高精度な予測制御を可能にすることが示されている。
  論文  参考訳（メタデータ） (2024-11-11T18:08:17Z)
• Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
  ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。 我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。 実験により,ベイズモデルに基づくRL手法の利点が示された。
  論文  参考訳（メタデータ） (2024-04-02T11:44:37Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• Sample Efficient Dynamics Learning for Symmetrical Legged Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
  本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。 ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
  論文  参考訳（メタデータ） (2022-10-13T19:57:46Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。