論文の概要: From Teleoperation to Long-Horizon Dexterity: Evaluating Visuomotor Skills and Offline Proxies for Dexterous Manipulation
- arxiv url: http://arxiv.org/abs/2610.40828v1
- Date: Thu, 29 Oct 2026 18:07:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.466322
- Title: From Teleoperation to Long-Horizon Dexterity: Evaluating Visuomotor Skills and Offline Proxies for Dexterous Manipulation
- Title（参考訳）: 遠隔操作から長距離デキスタリティへ:デキスタスマニピュレーションのためのバイスモータスキルとオフラインプロキシの評価
- Abstract要約: 281の模倣学習方針を,RJ45コネクタの把持・挿入による約1,700個の実ロボット実験で評価した。
ポイントクラウドポリシでは、関心領域のトリミング、ロボットベースのフレームでの表現、ポイントエンコーダ内の正規化により、成功率が70～100ポイント向上した。
予測運動の滑らかさと直感の5つの指標は挿入成功と確実に相関した。
- 参考スコア（独自算出の注目度）: 6.850088387848213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imitation learning policies are intended to make robotic manipulation robust to variations in object pose, appearance, and environment that challenge pre-programmed motion. However, real-world performance remains difficult to predict, as conventional optimization signals such as validation loss show no consistent relationship with robot success. To identify the design choices that govern real-world performance, 281 imitation-learning policies spanning seven policy families were evaluated in approximately 1,700 real-robot trials of RJ45 connector grasping and insertion using a five-fingered robotic hand. Controlled ablations showed that observation and action representations dominated conventional optimizer and sampling choices. For point-cloud policies, region-of-interest cropping, representation in the robot-base frame, and normalization within the point encoder each improved success by 70-100 percentage points. For the vision-language-action policy, absolute rather than relative action prediction improved insertion success by up to 70 percentage points. Skill decomposition, multi-view perception, and recovery demonstrations were associated with the strongest-performing systems, although their effects were not independently isolated. Of 67 offline metrics evaluated, only five measures of predicted-motion smoothness and directness reliably correlated with insertion success (r = -0.70 to -0.80), and only within a single policy family. These results identify representation choices as key determinants of real-world imitation-learning performance and show that offline metrics can shortlist policies, but cannot replace real-robot evaluation.
- Abstract（参考訳）: 模倣学習ポリシーは、事前にプログラムされた動作に挑戦するオブジェクトのポーズ、外観、環境の変化に対して、ロボット操作を堅牢にすることを目的としている。
しかし,検証損失などの従来の最適化信号がロボットの成功と一貫した関係を示さないため,実世界の性能を予測することは依然として困難である。
実世界の性能を規定する設計選択を明らかにするため,RJ45コネクタの把持と挿入を5本の指で行う約1700個の実ロボット実験において,7つのポリシーファミリーにまたがる281個の模倣学習ポリシーを評価した。
制御されたアブレーションは、観察と行動表現が従来のオプティマイザとサンプリングの選択を支配していることを示した。
ポイントクラウドポリシでは、関心領域のトリミング、ロボットベースのフレームでの表現、ポイントエンコーダ内の正規化により、成功率が70～100ポイント向上した。
視覚-言語-行動政策では、相対的な行動予測よりも絶対的な行動予測が挿入成功を最大70ポイント改善した。
スキル分解, 多視点知覚, 回復デモは, 独立して分離されなかったものの, 最強性能システムと関連していた。
67のオフライン指標のうち、予測運動の滑らかさと直感の5つの指標のみが挿入成功(r = -0.70から-0.80)と確実に相関しており、単一のポリシーファミリ内のみである。
これらの結果は,実世界の模倣学習性能の重要な決定要因として表現の選択を識別し,オフラインメトリクスがポリシーをショートリスト化できるが,実際のロボット評価を置き換えることはできないことを示す。
関連論文リスト
- RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions [38.09102112181815]
RynnVLA-Latentは、異種インタラクションビデオから、ロボットポリシー事前学習のためのスケーラブルな監視を行うフレームワークである。
RynnLAMは、ネイティブロボットコントロールを必要とせずに、視覚遷移から連続して3Dグラウンドで潜入動作を学ぶ。
論文 参考訳（メタデータ） (2026-10-25T15:05:32Z) - Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning [71.88401072770884]
本稿では,軽量エージェント実行フレームワークを用いた閉ループロボット操作のためのGPT-6 Astraを体系的に評価する。
まず,3つの基本的具現化能力,深度知覚,文脈内学習,触覚理解を探索する。
次に、GPT-6 Astraを、6つの機能ディメンジョンに沿って、確立された5つのベンチマークで評価する。
論文 参考訳（メタデータ） (2026-10-20T14:15:04Z) - Look Before You Act: Bridging Active Perception and Vision-Language-Action Models via Observation-Aligned Data Adaptation [26.983027384593385]
アクティブカメラの動きは、隠されたターゲットを露出することができるが、操作ポリシーのトレーニング分布とは異なる初期観測状態の分布にロボットを移動させる可能性がある。
アクティブな知覚が終了する状態からビジョン・ランゲージ・アクションポリシーをトレーニングするデータ適応フレームワークであるActiveAlignを紹介する。
論文 参考訳（メタデータ） (2026-10-16T12:33:44Z) - EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。
743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
論文 参考訳（メタデータ） (2026-10-14T20:34:18Z) - RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳（メタデータ） (2026-10-08T15:49:03Z) - 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) - UniDex-ViTac: Learning Unified Visuo-Tactile Dexterous Manipulation Policy from Human Video Data [0.45880283710344055]
We present UniDex-ViTac, a framework that using human-video-guided Simulation to generate robot demonstrations with fingertip contact observed。
我々は1万の擬似軌道を収集し、1つのAction Chunking with Transformers (ACT)ベースのジェネラリストを訓練する。
接触拡大された構成は、ポイントクラウドのみのベースラインで55.5%に対して、シミュレーションで68.3%のマクロ平均成功を実現している。
論文 参考訳（メタデータ） (2026-09-15T01:52:33Z) - RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。
ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。
RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
論文 参考訳（メタデータ） (2026-08-10T17:09:37Z) - GigaWorld-1: A Roadmap to Build World Models for Robot Policy Evaluation [73.02743604295246]
WMBenchは、実際のロボット遠隔操作データとポリシーのロールアウトから構築されたベンチマークである。
7つのビデオワールドモデル,4つのアクション表現スキーム,および実際のロボット実行と組み合わせた324,000以上のシミュレートされたポリシーロールアウトを分析した。
評価者の品質は、短期的な視覚的リアリズムよりも、長期的な、行動に忠実なロールアウト一貫性に支配されている。
論文 参考訳（メタデータ） (2026-07-02T17:02:43Z) - From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation [35.79160868966466]
FSD(From Seeing to Doing)は空間関係推論により中間表現を生成する新しい視覚言語モデルである。
提案手法は,空間座標を視覚信号と整列する自己整合性機構と,階層的なデータパイプラインを併用する。
我々は、FSDがSimplerEnvで40.6%の成功率、実世界の8つのタスクで72%の成功率を達成したことを示し、最強のベースラインを30%上回った。
論文 参考訳（メタデータ） (2025-05-13T13:20:46Z)
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。