論文の概要: Neuro Inspired Robotics: What Robot Learning Can Borrow from the Sensorimotor Brain

• arxiv url: http://arxiv.org/abs/2611.02510v1
• Date: Mon, 02 Nov 2026 04:30:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:24:06.205177
• Title: Neuro Inspired Robotics: What Robot Learning Can Borrow from the Sensorimotor Brain
• Title（参考訳）: ニューロインスパイアされたロボティクス:感覚運動脳からロボットが学習するもの
• Abstract要約: この調査では、このギャップは設計の1つであり、次世代のロボットモデルの設計を提案する。 ポリシーは位置とともに硬さを指示するので、コントローラはタスクが許容する場所を生成し、必要な場所をプッシュします。 動作の速い経路が認識の遅い経路と平行に走る視覚系から、運動行動のための専用の高速視覚系をとる。 運動野から、原始体から作用単位を構成する単一のモデルを取り、感覚境界においてそれぞれを検証し、仮説を念頭において最も弱い単位を実践する。
• 参考スコア（独自算出の注目度）: 0.24011506770428695
• License:
• Abstract: Robot policies still fail at everyday manipulation: an unfamiliar task, an object never held before, a scene that changes mid-motion, a skill that should improve with use. They fail despite pretraining on over a million trajectories, pooled from dozens of robots at great expense, while a child acquires all of these abilities within a few years of learning from a single body. This survey argues that the gap is one of design, and proposes designs for the next generation of robot models, drawn from how the nervous system solves the same problems. From the body we take compliance: the policy commands stiffness alongside position, so the controller yields where the task allows and presses where it must, which greatly lowers the demand for precise position output. From the visual system, where a fast pathway for action runs in parallel with the slow pathway for recognition, we take a dedicated fast vision system for motor behavior: it precomputes the quantities the policy needs and drives a reactive policy at camera rate. From the cerebellum we take a predictor beside the policy that forecasts the consequence of each command and recalibrates from its own error. From motor cortex we take a single model that composes action units from primitives, verifies each at a sensory boundary, practices the weakest unit with a hypothesis in mind, and reasons each attempt closer to the goal. Proven primitives are then consolidated from code into weights, so they run fluently and respond quickly the next time. Together these describe a robot that acts on its own initiative, the basis of deployment and recursive self-improvement, and we offer each proposal as a hypothesis to be tested.
• Abstract（参考訳）: ロボットのポリシーはまだ日常的な操作で失敗している: 馴染みの無いタスク、これまで持たなかった物体、動きの途中で変化するシーン、使用によって改善されるスキル。 100万以上の軌道で事前訓練をしても失敗し、何十ものロボットから多額の費用でプールされる一方、子供は1つの体から数年以内にこれらの能力をすべて習得する。 この調査では、このギャップは設計の1つであり、神経系が同じ問題を解決する方法から引き出された次世代のロボットモデルの設計を提案する。 ポリシーは、位置と共に硬さを指示するので、コントローラはタスクが許容する場所を導き、必要な場所に圧力をかけるので、正確な位置出力の要求を大幅に低減します。 動作の速い経路が認識の遅い経路と並行して実行される視覚系から、我々は運動行動のための専用の高速視覚系、すなわち、ポリシーが必要とする量をプリ計算し、カメラレートで反応ポリシーを駆動する。 小脳から、各コマンドの結果を予測し、自身のエラーから再検討するポリシーの横に予測器を取ります。 運動皮質からは、原始体から作用単位を構成する単一のモデルを取り、感覚境界においてそれぞれを検証し、仮説を念頭において最も弱い単位を実践し、それぞれが目標に近づこうとする。 プリミティブがコードから重みに集約されるので、そのプリミティブは流動的に実行され、次回は素早く応答します。 これらを合わせて、独自のイニシアティブ、展開と再帰的自己改善の基礎となるロボットを記述し、各提案をテストすべき仮説として提示する。

関連論文リスト

• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• Robot Self-Improvement via Human-Video Dynamics Models [52.14862052988773]
  人間のビデオは、ロボットのエンボディメント間で伝達されるエンボディメントに依存しない動作、ダイナミクス、および値表現を学ぶのに利用できることを示す。 DGAC(Dynamics-Guided Action Correction)は,これらの適応モデルを用いて故障状態の修復を行うトレーニングフリーアプローチである。 以上の結果から,人間の先行とロボットの失敗が組み合わさって,スケーラブルな自律的政策改善を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2026-06-19T13:17:27Z)
• Online Estimation and Manipulation of Articulated Objects [25.590726638870986]
  サービスロボットは任意の調音されたオブジェクトを操作できなければならない。 近年の深層学習手法は、視覚から明瞭な物体が手に入ることに関して、価値ある先行を予測できることが示されている。 本稿では,これらの手法を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-01-04T08:52:56Z)
• Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
  我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。 我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
  論文  参考訳（メタデータ） (2023-08-30T17:59:05Z)
• Hierarchical generative modelling for autonomous robots [8.023920215148486]
  人型ロボットが、移動、操作、把握の全体的利用を必要とする複雑なタスクを自律的に完了できることを示します。 具体的には、箱を回収して輸送し、ドアを通り抜けて目的地に到達し、接近し、サッカーを蹴ることのできるヒューマノイドロボットの能力を示すとともに、身体の損傷や地面の不規則性の存在下で頑健な性能を示す。
  論文  参考訳（メタデータ） (2023-08-15T13:51:03Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• 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)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Thinking While Moving: Deep Reinforcement Learning with Concurrent Control [122.49572467292293]
  本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。 人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
  論文  参考訳（メタデータ） (2020-04-13T17:49:29Z)

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。