論文の概要: PS-DLO: Property- and Spatially Aware Deformable Linear Object Manipulation Policy

• arxiv url: http://arxiv.org/abs/2610.34147v2
• Date: Sun, 01 Nov 2026 01:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.70131
• Title: PS-DLO: Property- and Spatially Aware Deformable Linear Object Manipulation Policy
• Title（参考訳）: PS-DLO: 変形可能な線形オブジェクト操作ポリシー
• Abstract要約: そこで我々は,PS-DLOを提案する。 第一に、対照的な画像テキスト学習は、最初の観察をDLO特性の分類学的記述にマッピングする。 第2に、SAM3は将来の観測からマスク誘導された特徴を抽出し、政策のアクションエキスパートに蒸留する。
• 参考スコア（独自算出の注目度）: 14.478900356026267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable linear objects (DLO) pose a coupled perception and control challenge: their slender geometry makes precise localization difficult, while their deformations depend on object-specific physical properties. To address this challenge, we propose PS-DLO, a property- and spatially aware DLO manipulation policy. First, contrastive image-text learning maps the initial observation to categorical descriptions of DLO properties, providing explicit physical and structural priors for action generation. Second, SAM3 extracts mask-guided features from future observations, which are distilled into the policy's action expert to encode task-relevant DLO regions and their subsequent configurations. We evaluate PS-DLO on nine real-world tasks across single-arm and bimanual platforms, training a shared multi-task policy for each embodiment. PS-DLO achieves an average success rate of 68.9%, exceeding the strongest baseline by 20.0 percentage points. In generalization experiments, PS-DLO achieves higher success rates than the baseline in six of seven visual-shift conditions on butterfly-knot untying. These results demonstrate that combining object-property priors with future spatial supervision improves multi-task DLO manipulation and robustness to visual variation.
• Abstract（参考訳）: 変形可能な線形物体(DLO)は、その細い幾何学は正確な位置決めを困難にし、変形は物体固有の物理的性質に依存している。 この課題に対処するため,PS-DLOを提案する。 第一に、対照的な画像テキスト学習は、最初の観察をDLO特性の分類学的記述にマッピングし、アクション生成のための明示的な物理的および構造的事前情報を提供する。 第2に、SAM3は将来の観測からマスク誘導された特徴を抽出し、政策のアクションエキスパートに蒸留してタスク関連DLO領域とそのその後の構成を符号化する。 我々は,PS-DLOを1本腕と2本腕のプラットフォームにまたがる9つの実世界のタスクで評価し,各実施形態に対して共有マルチタスクポリシーを訓練した。 PS-DLOの平均成功率は68.9%で、最強のベースラインを20.0ポイント上回っている。 一般化実験において、PS-DLOはバタフライ結びつきの7つの視覚的シフト条件のうち6つのベースラインよりも高い成功率を達成する。 これらの結果から,将来的な空間的監視とオブジェクトプロパティの先行性を組み合わせることで,マルチタスクDLO操作が向上し,視覚的変動に対するロバスト性が向上することが示唆された。

関連論文リスト

• 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)
• Learning Sim-Grounded Policies for Bimanual Rope Manipulation from Human Teleoperation Data [12.632998789712547]
  結び目回避作業における自己中心型視覚ポリシーの一般化の欠如が観察空間自体に起因しているかどうかを考察する。 同じ双方向遠隔操作データに基づいてトレーニングされた2つのアクションチャンキングとトランスフォーマーポリシーを比較した。 状態ベースのポリシーは、最初の掴み取り動作を予測する際に、L1エラーを30.8%削減することで視覚的よりも優れる。
  論文  参考訳（メタデータ） (2026-05-15T15:15:12Z)
• UniStateDLO: Unified Generative State Estimation and Tracking of Deformable Linear Objects Under Occlusion for Constrained Manipulation [45.803487170590266]
  変形可能な線形物体(DLO)の知覚は下流操作を成功させる基盤となる。 本稿では,深層学習を用いた最初の完全DLO認識パイプラインUniStateDLOを提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:35:02Z)
• TD-JEPA: Latent-predictive Representations for Zero-Shot Reinforcement Learning [63.73629127832652]
  本稿では,TDに基づく潜在予測表現を教師なしRLに活用するTD-JEPAを紹介する。 TD-JEPAは、明示的な状態とタスクエンコーダ、ポリシー条件付きマルチステップ予測器、パラメータ化されたポリシーのセットを潜時空間で直接訓練する。 実証的には、TD-JEPAは13のデータセットにわたる移動、ナビゲーション、操作のタスクにおいて、最先端のベースラインをマッチまたは上回る。
  論文  参考訳（メタデータ） (2025-10-01T10:21:18Z)
• A Distributional Treatment of Real2Sim2Real for Object-Centric Agent Adaptation in Vision-Driven Deformable Linear Object Manipulation [16.26835655544884]
  本稿では,変形可能な線形オブジェクト(DLO)を視覚的知覚に基づいて操作するための統合フレームワークを提案する。 物理パラメータの後方分布を計算し、それぞれのDLOの挙動を概略シミュレートする。 次に、シムベースの政策学習と実世界のパフォーマンスにおいて、結果の領域分布の影響について検討する。
  論文  参考訳（メタデータ） (2025-02-25T20:01:06Z)
• ACT-JEPA: Novel Joint-Embedding Predictive Architecture for Efficient Policy Representation Learning [90.41852663775086]
  ACT-JEPAは模倣学習と自己教師型学習を統合する新しいアーキテクチャである。 我々はアクションシーケンスと抽象的な観察シーケンスを予測するポリシーを訓練する。 実験の結果,ACT-JEPAは時間環境の動的学習によって表現の質を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-01-24T16:41:41Z)
• DexDLO: Learning Goal-Conditioned Dexterous Policy for Dynamic Manipulation of Deformable Linear Objects [7.72979328949568]
  変形可能な線形オブジェクトに対するデキスタラス動的操作ポリシーを固定ベースデキスタラスハンドで学習するモデルフリーフレームワークであるDexDLOを提案する。 我々は,同じフレームワークパラメータで5つの異なるDLO操作タスクを効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-12-23T09:26:20Z)

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。