論文の概要: Faster Imitation by Re-timing Demonstrations Within the Controller Limit

• arxiv url: http://arxiv.org/abs/2611.00539v1
• Date: Sat, 31 Oct 2026 01:52:25 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:28:54.592688
• Title: Faster Imitation by Re-timing Demonstrations Within the Controller Limit
• Title（参考訳）: コントローラリミット内におけるデモの繰り返しによる高速な模倣
• Abstract要約: 模倣ポリシーはオペレータのペースを継承し、成功が崩壊するまで、より速い作業を実行するためにデモを再最適化する。 最近の手法では、分布シフトの崩壊と、どのセグメントをスピンアップするかのより細かい規則で答える。 セグメント選択に対処できない機械的原因があることが示される。
• 参考スコア（独自算出の注目度）: 7.071830135258387
• License:
• Abstract: Imitation policies inherit the operator's pace, and re-timing the demonstrations to run faster works only until success collapses at two to three times demonstration speed. Recent methods attribute that collapse to distribution shift and answer it with finer rules for which segments may be sped up; we show it has a mechanical cause that segment selection cannot address. A low-level controller realises only a bounded displacement per control period, so merging consecutive commands produces sums outside that bound: training pairs that promise a transition the plant cannot deliver. The share of such pairs in the re-timed data, which we call the exceed share, tracks where the retrained policy collapses. The rule that follows has a single parameter: merge greedily while the sum stays realisable. Every command is then realisable by construction, the demonstrated geometry is preserved, and the speed-up lands only where the demonstrator left slack. On four simulated robomimic tasks, 200 held-out seeds per cell, a merge cap of two is at or above the frozen policy's success on all four, by 14 points on Square, and shortens the successful episodes. At matched tempo, uniform re-timing loses 9 and 16 points on Can and ToolHang, is within noise on the other two, and reaches zero on the hardest at 2x. Placement also matters: no shuffled, entropy-guided or speed-conditioned alternative beats the rule on three of the four tasks, by margins the exceed share alone does not explain; on the fourth, at a tempo the task absorbs, every placement lands in the same band. The same principle carries to a simulated humanoid whole-body tracker: re-timing 429 reference motions within its velocity envelope succeeds on 71% of clips at 2.3x, against 51% for uniform time scaling at 2x.
• Abstract（参考訳）: シミュレーションポリシーはオペレータのペースを継承し、成功が2倍から3倍の速度で崩壊するまで、より高速な作業を実行するためにデモを再最適化する。 近年の手法では, 分配シフトの崩壊と, セグメントの発散に関するより細かい規則による解答が可能であり, セグメント選択に対処できない機械的原因があることが示されている。 低レベルコントローラは、制御期間あたりの有界変位のみを実現するので、連続的なコマンドをマージすると、そのバウンドの外側の和が生成される: プラントが提供できない遷移を約束するトレーニングペア。 こうしたペアのシェアは、私たちが「過剰なシェア」と呼ぶ、再トレーニングされたポリシーが崩壊する場所をたどるデータである。 以下に示す規則は単一のパラメータを持つ: 和が実現可能であり続ける間、greedilyにマージする。 すべてのコマンドは構築によって実現可能であり、デモされた幾何学は保存され、スピードアップされた陸地はデモ隊がスラックを残した場所のみである。 シミュレーションされた4つのロボミクスタスクでは、セルごとに200個の種子が保持され、2つのマージキャップが4つ全てで凍結された政策の成功より上、スクエアで14ポイント短くなり、成功したエピソードが短縮される。 マッチしたテンポでは、CanとToolHangで9ポイントと16ポイントの均一なリタイピングが失われ、他の2つではノイズが発生し、最も難しい2倍でゼロに達する。 シャッフル、エントロピー誘導、またはスピードコンディショニングされた代替手段が4つのタスクのうち3つでルールを破ることはなく、マージンによって、過剰なシェアだけでは説明できない。 速度エンベロープ内で429の基準運動をリタイピングすると、クリップの71%が2.3倍、タイムスケーリングの51%が2倍となる。

関連論文リスト

• Same Path, Less Time: Training-Free Fast Execution of Vision-Language-Action Models under Inference Latency [0.0]
  1つの原則に基づいて構築されたフリーアクションチャンキングポリシーのためのトレーニングフリー実行層を提案する。 時間層は、計画されたインクリメントを合計し、グリップが動きながらアームを1倍に保ち、アクチュエータの線形範囲で速度を抑える。 ミスアライメントされたエントリーとサンプリングは継続エラーにバイアスとばらつきを生じさせ、スピードアップが報われると、成功率を損なうことを示す。
  論文  参考訳（メタデータ） (2026-11-01T00:53:26Z)
• State World Models: Execute the Rules, Generate the Pixels [87.46047440037937]
  Stateful Harnessは、ステートフルとルールが支配するインタラクションをサポートするために、世界進化をビデオレンダリングから分離するフレームワークである。 特定のルールの下で進化する世界状態を維持し、結果のイベントを凍結したビデオモデルでレンダリングし、生成されたクリップを使用して次のターンに世界状態を更新する。
  論文  参考訳（メタデータ） (2026-10-19T17:50:32Z)
• LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
  LoopWAMは、現実世界のロールアウトから直接学習するクローズドループの世界アクションモデルである。 音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
  論文  参考訳（メタデータ） (2026-10-13T17:59:56Z)
• LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
  多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。 LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。 各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
  論文  参考訳（メタデータ） (2026-09-29T02:12:26Z)
• CLAP: Closed-Loop Alignment with Pressure for Precise Suction Manipulation [50.72629909392354]
  本稿では,真空ラインにタップされた圧力モジュールを通してアタッチメント状態を観測できるCLAPを提案する。 データについては、物理ロボット上でゴール状態の分解を記録し、関節状態のシーケンスをオフラインで反転させる。 実際のUnitree Z1では、1つのマルチタスクチェックポイントが96.67%に達する。
  論文  参考訳（メタデータ） (2026-09-26T16:40:23Z)
• Shared Execution-Clock Drifting Policy for Dynamic Precision Manipulation [2.44955840609554]
  実行リズムは、ロボットが期限前に一連の調整を完了しなければならない場合に重要である。 本稿では、実行リズムを1ステップのアクション生成の明示的な部分とする共有実行クロックドリフト(SECD)を提案する。 NVIDIA Thor を用いた 4 つの実ロボットタスクを対象としたSECD の評価を行った。
  論文  参考訳（メタデータ） (2026-09-20T02:42:31Z)
• WorldToken: Time-First Sequence Modeling for Robotic Imitation Learning [26.68132700015599]
  マルチビュー画像やプロプレセプション,タスクコンディショニングを,各ポリシータイムステップ内で1つのワールドトークンに融合する,時間優先のポリシーインスタンス化であるWorldTokenを紹介する。 23のRoboCasaタスクでは、85.3Mパラメータポリシーがスクラッチから訓練され、1タスクあたり2,900回のデモで59.45%の平均閉ループ成功を達成した。
  論文  参考訳（メタデータ） (2026-08-23T20:56:29Z)
• Post-Grokking Collapse at the Representation-Readout Interface in Muon-Trained Transformers [2.7590644934977764]
  a+b) bmod 113$ grok 上の9つの種子はすべて、後に種子を失う。 不安定性は2つのモジュラー、2つの幅、2つのトレーニング率、2つのサブトラクション、深さにわたって持続する。 43のチェックポイントが5つの種と3つのレシエーションにまたがっており、タスクアラインの家族は正確に100%に到達している。
  論文  参考訳（メタデータ） (2026-08-07T17:21:49Z)
• Think at 5 Hz, Act at 20 Hz: Asynchronous Fast-Slow Vision-Language-Action Inference for Closed-Loop Driving [9.75159490914078]
  大規模言語モデルは、命令の追従とシーン推論をエンドツーエンドの駆動にもたらす。 既存のクローズドループエージェントはこのギャップを、別のシミュレーションティッチでモデルを呼び出すことで隠している。 この妥協を取り除いた高速スローアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-07-17T04:40:02Z)
• Survive or Collapse: The Asymmetric Roles of Data Gating and Reward Grounding in Self-Play RL [76.45061154544568]
  セルフプレイ強化学習は、言語モデルを独自の生成タスクで訓練し、人間ラベルなしでプロジェクタとソルバを共進化させる。 最近のシステムでは強い推理効果が報告されているが、崩壊と不安定性は広く観察され、理解されていない。 代わりに、自己プレイの安定性は、提案者生成タスクがトレーニングプールに入るかを判断するデータレベルゲートと、すでに認められたタスクに関するポリシーを更新する報酬信号の2つの異なるレバーによって管理されていると論じる。
  論文  参考訳（メタデータ） (2026-05-21T09:19:23Z)

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。