論文の概要: Online Adaptation to Latent Physical Properties for Learning from Demonstration
- arxiv url: http://arxiv.org/abs/2611.06118v1
- Date: Wed, 04 Nov 2026 08:05:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.019956
- Title: Online Adaptation to Latent Physical Properties for Learning from Demonstration
- Title(参考訳): 実証から学ぶための潜在物性へのオンライン適応
- Abstract要約: 本稿では,オブジェクト応答の予測に必要な物理特性の潜伏表現を学習し,オンライン推定に関するポリシーを提案する。
動的モデルとオブジェクト固有の潜在表現は、オブジェクトの物理的性質に適応する振る舞いを含むデモンストレーションから共同で学習される。
実行中、動的モデルとポリシーウェイトは固定され、潜在表現は予測された観測と実際の観測との相違に基づいて更新される。
- 参考スコア(独自算出の注目度): 2.438027298274672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Manipulating visually identical objects with different physical properties requires adapting actions based on information acquired through interaction. We address the problem of learning from demonstrations how to adapt manipulation actions, such as regrasping and changing contact locations, based on physical-property information acquired during interaction. To this end, we propose a learning-from-demonstration method that learns latent representations of physical properties needed to predict object responses and conditions a policy on online estimates of these representations. A dynamics model and object-specific latent representations are jointly learned from demonstrations that include behaviors adapting to the objects' physical properties, and the learned representations are then used to condition an imitation policy. During execution, the dynamics model and policy weights remain fixed, while the latent representation is updated based on the discrepancy between predicted and actual observations, allowing interaction with the object to inform action generation. Real-world and simulation experiments with objects whose centers of mass differ suggest that online adaptation through latent representations of physical properties can improve task success rates. However, in simulation, success rates on center-of-mass locations absent from the demonstrations remained around 30%, indicating limited adaptation to unseen physical properties. Project page: https://isri-aist.github.io/latent-dynamics-project-page/
- Abstract(参考訳): 視覚的に同一のオブジェクトを異なる物理的特性で操作するには、インタラクションを通じて取得した情報に基づいてアクションを適用する必要がある。
我々は,インタラクション中に取得した物理情報に基づいて,コンタクト位置の再現や変更といった操作行動の適応方法の実証から学ぶことの課題に対処する。
そこで本研究では,オブジェクト応答の予測に必要な物理特性の潜在表現を学習し,これらの表現のオンライン推定に関するポリシーを提案する。
動的モデルとオブジェクト固有の潜在表現は、オブジェクトの物理的性質に適応する振る舞いを含むデモンストレーションから共同で学習され、学習された表現は模倣ポリシーを条件付けるために使用される。
実行中、動的モデルとポリシーウェイトは固定され、潜在表現は予測された観測と実際の観測との相違に基づいて更新され、オブジェクトとのインタラクションがアクション生成を知らせる。
物理特性の潜在表現によるオンライン適応がタスク成功率を向上させることが示唆されている。
しかし, シミュレーションでは, 実験から欠落した中心位置の成功率は30%程度であり, 未確認の物理的特性への適応が限られていた。
プロジェクトページ:https://isri-aist.github.io/latent-dynamics-project-page/
関連論文リスト
- Physical Diffusion Policy via MPM-Guided 3D Gaussian Simulation [12.601341413526384]
本稿では,物体の物理的理解によって視覚模倣学習を促進させる物理認識拡散政策を提案する。
本フレームワークは,3次元ガウス散乱と異種材料点法シミュレーションを組み合わせることで,視覚的デモンストレーションから材料特性を復元する。
シミュレーションおよび実世界の幅広いオブジェクトに対する実験は、既存の拡散に基づくアプローチよりも操作の成功と一般化の改善を実証している。
論文 参考訳(メタデータ) (2026-11-03T08:21:49Z) - RoboTwin-Phys: Do WAMs and VLAs Understand the Physical World? [54.35411689685545]
RoboTwin-Physは、物理条件の多様性をロボット操作評価の明示的な次元として扱う物理多様性ベンチマークである。
本研究では, 物理属性推定, 条件対応モデリング, 物理条件付き政策トレーニングなど, 基礎的物理パラメータを用いた5,000以上の専門家による実証実験を公表する。
論文 参考訳(メタデータ) (2026-09-22T12:04:52Z) - Automatically Improving Simulation Physics for Articulated Objects [0.0]
本稿では,操作中にオブジェクトを確実にシミュレートできるかどうかを特徴付けるインタラクション・レディネスを提案する。
不完全な3Dアセットから対話可能な調音オブジェクトを生成するためのシミュレーター・イン・ザ・ループ手法を提案する。
論文 参考訳(メタデータ) (2026-05-18T21:34:33Z) - Inferring Dynamic Physical Properties from Video Foundation Models [94.35979242947873]
ビデオから動的物理特性を予測するタスクについて検討する。
時間的情報を必要とする物理的特性として,バウンディング物体の弾性,流動液体の粘度,表面を滑り落ちる物体の動的摩擦について考察する。
論文 参考訳(メタデータ) (2025-10-02T17:59:50Z) - Capturing Rich Behavior Representations: A Dynamic Action Semantic-Aware Graph Transformer for Video Captioning [13.411096520754507]
既存のビデオキャプション手法は、単にオブジェクトの振舞いの浅いあるいは単純化した表現を提供するだけである。
本稿では,オブジェクトの振る舞いの本質を包括的に把握する動的アクション意味認識グラフ変換器を提案する。
論文 参考訳(メタデータ) (2025-02-19T14:16:47Z) - Physion++: Evaluating Physical Scene Understanding that Requires Online
Inference of Different Physical Properties [100.19685489335828]
この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。
正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。
我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
論文 参考訳(メタデータ) (2023-06-27T17:59:33Z) - ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object
Manipulation [135.10594078615952]
本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。
ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。
我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
論文 参考訳(メタデータ) (2022-03-14T04:56:55Z) - HyperDynamics: Meta-Learning Object and Agent Dynamics with
Hypernetworks [18.892883695539002]
HyperDynamicsは、ニューラルネットワークモデルのパラメータを生成する動的メタ学習フレームワークである。
高次元の視覚観察でダイナミクスを学習することで、環境の変化に適応する既存のモデルを上回る性能を発揮します。
本手法は,個別に訓練された専門家の演奏に合致すると同時に,テスト時に未知の環境変動に対して十分に一般化できることを示す。
論文 参考訳(メタデータ) (2021-03-17T04:48:43Z) - Visual Grounding of Learned Physical Models [66.04898704928517]
人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。
我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。
実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
論文 参考訳(メタデータ) (2020-04-28T17:06:38Z)
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。