論文の概要: When Robots Outweigh Objects: How Inertia Mismatch Shapes Robot Policy Learning

• arxiv url: http://arxiv.org/abs/2611.03501v1
• Date: Mon, 02 Nov 2026 17:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.720357
• Title: When Robots Outweigh Objects: How Inertia Mismatch Shapes Robot Policy Learning
• Title（参考訳）: ロボットが物体を上回るとき:慣性ミスマッチがロボットのポリシー学習をいかに形作るか
• Abstract要約: 我々は,高慣性度が学習に隠れたコストを課すかどうかを検討する。 強化学習は多種多様な組み合わせで成功している。 我々はすでに持っている腕の慣性接触を減らす方法を探求する。
• 参考スコア（独自算出の注目度）: 10.40212832696223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional robot arms can be extremely heavy compared with the everyday objects they manipulate, creating a significant inertia mismatch at contact. Even a small accidental bump from a heavy arm can knock a light object out of place. Modern learning methods have nevertheless demonstrated a wide range of successful manipulation behaviors on these platforms, suggesting that even extreme inertia mismatch can be overcome with sufficient data. However, it remains unclear whether high inertia imposes a hidden cost on learning, potentially worsening scaling with data or lowering the performance ceiling of modern robot learning methods. We investigate this question through controlled simulation experiments that vary robot and object masses. We find that reinforcement learning succeeds across a broad range of mass combinations, while behavior cloning learns more reliable policies when a lighter robot manipulates a heavier object, and more data narrows the resulting gap without closing it. Behavior cloning likewise degrades on a simulated robot arm as its motors reflect more inertia through their gearing, even though its weight stays the same. Finally, because new hardware is rarely an option, we explore ways to lower contact inertia on the arm one already has, either by choosing a lower-inertia workspace before collecting data or by steering the demonstrator toward lower-inertia solutions of the task. In both simulated cases, the lower-inertia demonstrations are imitated more reliably. Project website: https://younghyopark.me/inertia-mismatch/
• Abstract（参考訳）: 従来のロボットアームは、操作する日常の物体と比べて非常に重くなり、接触時に重要な慣性ミスマッチを発生させる。 重い腕からの小さな事故でも、軽い物体をノックアウトできる。 現代の学習手法は、これらのプラットフォーム上での操作動作の幅広い成功を実証しており、極端な慣性ミスマッチでさえ十分なデータで克服できることを示唆している。 しかし、ハイ慣性が学習に隠れたコストを課すか、データによるスケーリングを悪化させるか、あるいは現代のロボット学習手法のパフォーマンス天井を低下させるかは、まだ不明である。 ロボットと物体の質量が異なる制御されたシミュレーション実験により,この問題を考察する。 より軽量なロボットが重い物体を操作すると、より信頼性の高いポリシーが学習され、より多くのデータが閉じることなく、その結果のギャップを狭める。 動作のクローンは、モーターがギアリングを通じて慣性をより反射するので、シミュレーションされたロボットアームで同様に劣化する。 最後に、新しいハードウェアが選択されることは滅多にないため、データ収集前に下位慣性ワークスペースを選択するか、またはタスクの下位慣性ソリューションに向けてデモレータを操ることで、腕にすでに持っている慣性接触を低くする方法を探る。 両方のシミュレートされたケースでは、低慣性実証はより確実に模倣される。 プロジェクトウェブサイト:https://younghyopark.me/inertia-mismatch/

関連論文リスト

• EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning [65.9530679634286]
  ロボットは、不慣れな物体の振る舞いや相互作用を実験を通して学習し、その知識で計画しなければなりません。 残余世界モデルを学習するエージェントであるEMPIRICについて述べる。 5つのシミュレートされたドメインにわたって、EMPIRICは解釈可能で再利用可能なモデルを学び、3つのベースラインよりも環境相互作用が少なく多くのタスクを解決する。
  論文  参考訳（メタデータ） (2026-09-28T12:42:51Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• EasyMimic: A Low-Cost Framework for Robot Imitation Learning from Human Videos [51.158081196253626]
  EasyMimicは、人間のビデオデモからロボットが操作ポリシーを学習することを可能にするフレームワークである。 本手法は,まずビデオから手指の3次元軌跡を抽出する。 アクションアライメントモジュールは、これらの軌道を低コストロボットのグリップ制御空間にマッピングする。
  論文  参考訳（メタデータ） (2026-02-12T00:41:01Z)
• Dexterity from Smart Lenses: Multi-Fingered Robot Manipulation with In-the-Wild Human Demonstrations [52.29884993824894]
  自然環境で日々のタスクを行う人間から、マルチフィンガーロボットポリシーを学ぶことは、ロボットコミュニティにとって長年の大きな目標だった。 AINAは、Aria Gen 2メガネを使用して、どこでも、どこでも、あらゆる環境で収集されたデータから、マルチフィンガーポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2025-11-20T18:59:02Z)
• Learning to Throw-Flip [11.364182432162863]
  本稿では,ロボットが所望の着地ポーズに対して,オブジェクトを正確に「スローフリップ」することができる方法を提案する。 我々は寄生虫の回転を効果的に分離する投球運動の族を設計する。 私たちのフレームワークは、数十の試行において、ポーズターゲットにオブジェクトを投げる(pm$5 cm, $pm$45 °)ことができる。
  論文  参考訳（メタデータ） (2025-10-11T22:18:09Z)
• When a Robot is More Capable than a Human: Learning from Constrained Demonstrators [4.015444385806047]
  デモンストレーションから学んだ専門家は、審美的な教育、ジョイスティックコントロール、シム・トゥ・リアル・トランスファーといったインターフェースを使って、ロボットに複雑なタスクを教えることができる。 これらのインターフェースは、間接的な制御、セットアップの制限、ハードウェアの安全性による最適な動作を示す専門家の能力をしばしば制限する。 ロボットは、制約のある専門家が示したものよりも優れたポリシーを学べるだろうか? 我々は、エージェントが専門家の行動の直接の模倣を越えて、より短くより効率的な軌道を探索できるようにすることで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-10T07:48:12Z)
• FLEX: A Framework for Learning Robot-Agnostic Force-based Skills Involving Sustained Contact Object Manipulation [9.292150395779332]
  本稿では,力空間におけるオブジェクト中心の操作ポリシーを学習するための新しいフレームワークを提案する。 提案手法は, 動作空間を単純化し, 不要な探索を低減し, シミュレーションオーバーヘッドを低減させる。 評価の結果,本手法はベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T17:49:47Z)
• 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)
• DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
  本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。 我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。 我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:51:49Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Efficient reinforcement learning control for continuum robots based on Inexplicit Prior Knowledge [3.3645162441357437]
  本稿では,未熟な事前知識に基づく効率的な強化学習手法を提案する。 本手法を用いることで、腱駆動ロボットのアクティブな視覚追跡と距離維持を実現することができる。
  論文  参考訳（メタデータ） (2020-02-26T15:47:11Z)

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。