論文の概要: Action Intent as a Bridge: Transferring Manipulation Knowledge from Human-Centric Videos to Robots

• arxiv url: http://arxiv.org/abs/2611.04522v1
• Date: Tue, 03 Nov 2026 08:47:59 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:37:05.848005
• Title: Action Intent as a Bridge: Transferring Manipulation Knowledge from Human-Centric Videos to Robots
• Title（参考訳）: ブリッジとしてのアクションインテント:人間中心映像からロボットへのマニピュレーション知識の伝達
• Abstract要約: Action-Intent Transfer (AIT)は、人間とロボットの間で共有されるクリーンな行動表現を通じて知識を伝達する2段階の手法である。 第1段階では、AITは明示的なアクションインテントを抽出し、ビデオの操作から暗黙的なアクションインテントをアンタングルする。 第2段階では、AITはこの共有意図空間内の人間とロボットのドメインを整列し、インテントを実行可能なロボットアクションにデコードする。
• 参考スコア（独自算出の注目度）: 54.57844716129309
• License:
• Abstract: Vision-Language-Action (VLA) models have achieved promising performance for generalized robotic manipulation, yet their reliance on expensive real-robot data remains a fundamental bottleneck. A scalable alternative is to transfer knowledge from off-the-shelf human-centric videos. However, existing methods extract latent action representations that are entangled with scene-specific noise, diluting the transferred knowledge. Motivated by this limitation, we propose Action-Intent Transfer (AIT), a two-stage method that transfers knowledge through a clean action representation shared across humans and robots. In the first stage, AIT extracts explicit action intents and disentangles the implicit action intent from manipulation videos. In the second stage, AIT aligns the human and robot domains within this shared intent space and decodes the intent into executable robot actions. Extensive experiments in both simulation and real-world environments demonstrate that AIT transfers human knowledge more effectively and consistently outperforms prior baselines.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、汎用的なロボット操作において有望なパフォーマンスを達成したが、高価なリアルタイムロボットデータへの依存は、依然として根本的ボトルネックである。 スケーラブルな代替手段は、既製の人間中心のビデオから知識を伝達することだ。 しかし,既存の手法ではシーン固有のノイズに絡み合った潜在行動表現を抽出し,伝達された知識を希釈する。 この制限により,人間とロボット間で共有されるクリーンな行動表現を通して知識を伝達する2段階の手法であるAITを提案する。 第1段階では、AITは明示的なアクションインテントを抽出し、ビデオの操作から暗黙的なアクションインテントをアンタングルする。 第2段階では、AITはこの共有意図空間内の人間とロボットのドメインを整列し、インテントを実行可能なロボットアクションにデコードする。 シミュレーションと実世界の環境の両方における大規模な実験は、AITが人間の知識をより効果的に伝達し、常に以前のベースラインより優れていることを示した。

関連論文リスト

• Cross-Embodiment Causal Transfer from Human Videos to Robot Manipulation [25.506925211705063]
  本稿では,人間の映像の知識をロボット操作に伝達するために,Causal-Beam-Guided Subtask Transfer (CBST)を提案する。 CBSTは人間のビデオから操作関連表現を学び、タスクレベルのセマンティック変数に基礎を置く。 ロボット操作ベンチマークの実験では、対応するワールドアクションモデルベースラインよりもタスク成功率が向上した。
  論文  参考訳（メタデータ） (2026-10-15T12:48:10Z)
• AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation [61.436480565887905]
  汎用的なロボット操作は、シーンがどのように進化するかを予測する必要がある。 アクションラベル付きロボットビデオは、直接制御を監督するが、コストが高く、多様性に制限がある。 本稿では,Scalr Affordance と Affordance Heatmap によるオブジェクトの空き時間を表す,空き時間を考慮した World Action Model を提案する。
  論文  参考訳（メタデータ） (2026-09-16T14:07:06Z)
• BridgeACT: Bridging Human Demonstrations to Robot Actions via Unified Tool-Target Affordances [11.402773793645244]
  ロボットのデモデータを必要とせずに、人間のビデオから直接ロボット操作を学習するフレームワークであるBridgeACTを紹介する。 私たちのキーとなるアイデアは、人間のデモンストレーションとロボットのアクションを橋渡しする、具体化に依存しない中間表現として、余暇をモデル化することです。 得られた余裕は、把握モジュールと軽量閉ループモーションコントローラを介してロボット動作にマッピングされる。
  論文  参考訳（メタデータ） (2026-04-25T11:01:27Z)
• ViSA-Flow: Accelerating Robot Skill Learning via Large-Scale Video Semantic Action Flow [4.2766838326810355]
  教師なし大規模ビデオデータから事前ラベル付き表現を学習するフレームワークであるViSA-Flowを提案する。 まず、大規模人-物間相互作用ビデオデータから、生成訓練された意味行動の流れを自動的に抽出する。 第2に、この前者は、同じセマンティック抽象化パイプラインで処理された小さなロボットのデモセットを微調整することで、ターゲットロボットに効率的に適応する。
  論文  参考訳（メタデータ） (2025-05-02T14:03:06Z)
• Latent Action Pretraining from Videos [156.88613023078778]
  一般行動モデル(LAPA)のための潜在行動事前訓練について紹介する。 LAPA(英: LAPA)は、VLA(Vision-Language-Action)モデルに接地型ロボットアクションラベルを含まない教師なしの訓練方法である。 本稿では,ロボットアクションラベルを持たないインターネット規模のビデオから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T16:28:09Z)
• Zero-Shot Robot Manipulation from Passive Human Videos [59.193076151832145]
  我々は,人間の映像からエージェント非依存の行動表現を抽出するフレームワークを開発した。 我々の枠組みは、人間の手の動きを予測することに基づいている。 トレーニングされたモデルゼロショットを物理ロボット操作タスクにデプロイする。
  論文  参考訳（メタデータ） (2023-02-03T21:39:52Z)

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。