論文の概要: Morphologically Symmetric Reinforcement Learning for Ambidextrous Bimanual Manipulation

• arxiv url: http://arxiv.org/abs/2505.05287v1
• Date: Thu, 08 May 2025 14:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.918825
• Title: Morphologically Symmetric Reinforcement Learning for Ambidextrous Bimanual Manipulation
• Title（参考訳）: 両面マニピュレーションのための形態的対称性強化学習
• Authors: Zechu Li, Yufeng Jin, Daniel Ordonez Apraez, Claudio Semini, Puze Liu, Georgia Chalvatzaki,
• Abstract要約: 両操作の強化学習フレームワークであるSYMDEXを紹介する。 等変ニューラルネットワークによる左右対称の利用により、一方の腕からの体験は本質的に反対側の腕によって活用される。 我々のアプローチは、左手と右手が異なる役割を演じる複雑なタスクのベースラインを強く上回ります。
• 参考スコア（独自算出の注目度）: 7.990617894478937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans naturally exhibit bilateral symmetry in their gross manipulation skills, effortlessly mirroring simple actions between left and right hands. Bimanual robots-which also feature bilateral symmetry-should similarly exploit this property to perform tasks with either hand. Unlike humans, who often favor a dominant hand for fine dexterous skills, robots should ideally execute ambidextrous manipulation with equal proficiency. To this end, we introduce SYMDEX (SYMmetric DEXterity), a reinforcement learning framework for ambidextrous bi-manipulation that leverages the robot's inherent bilateral symmetry as an inductive bias. SYMDEX decomposes complex bimanual manipulation tasks into per-hand subtasks and trains dedicated policies for each. By exploiting bilateral symmetry via equivariant neural networks, experience from one arm is inherently leveraged by the opposite arm. We then distill the subtask policies into a global ambidextrous policy that is independent of the hand-task assignment. We evaluate SYMDEX on six challenging simulated manipulation tasks and demonstrate successful real-world deployment on two of them. Our approach strongly outperforms baselines on complex task in which the left and right hands perform different roles. We further demonstrate SYMDEX's scalability by extending it to a four-arm manipulation setup, where our symmetry-aware policies enable effective multi-arm collaboration and coordination. Our results highlight how structural symmetry as inductive bias in policy learning enhances sample efficiency, robustness, and generalization across diverse dexterous manipulation tasks.
• Abstract（参考訳）: 人間は自然に左右の対称性を示し、左手と右手の間の単純な動作を巧みに反映している。 両面対称も備えた両面ロボットも同様にこの特性を利用して両手で作業を行う。 優れた器用なスキルのために支配的な手を好む人間とは異なり、ロボットは理想的には同等の熟練力でアンビデクスト的な操作を行うべきである。 この目的のために,ロボット固有の左右対称を帰納バイアスとして活用する両操作の強化学習フレームワークであるSYMDEX(SYMmetric DEXterity)を導入する。 SYMDEXは複雑な双方向操作タスクを手動サブタスクに分解し、それぞれ専用のポリシーを訓練する。 等変ニューラルネットワークによる左右対称の利用により、一方の腕からの体験は本質的に反対側の腕によって活用される。 次に、サブタスクのポリシーを、ハンドタスクの割り当てとは無関係に、グローバルな曖昧なポリシーに蒸留する。 我々は,SYMDEXを6つの課題に対して評価し,そのうち2つの課題に対して実世界の展開を成功させることを実証した。 我々のアプローチは、左手と右手が異なる役割を演じる複雑なタスクのベースラインを強く上回ります。 さらに、SYMDEXのスケーラビリティを4つのアーム操作設定に拡張し、対称性を意識したポリシーが効果的なマルチアーム協調と協調を可能にすることを実証する。 政策学習における帰納的バイアスとしての構造対称性は,多種多様な操作課題における標本効率,頑健性,一般化をいかに促進するかを強調した。

関連論文リスト

• Modality-Driven Design for Multi-Step Dexterous Manipulation: Insights from Neuroscience [14.49331945543691]
  マルチステップデキスタラスな操作は家庭のシナリオでは基本的なスキルであるが、ロボット工学では未探索の領域である。 本稿では,効率的なモダリティ入力に基づく専用ポリシーで操作プロセスの各ステップに対処するモジュール方式を提案する。
  論文  参考訳（メタデータ） (2024-12-15T23:05:16Z)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)
• Cross-Embodiment Dexterous Grasping with Reinforcement Learning [29.867524903691802]
  デクスタースハンドは、複雑な現実世界の把握タスクに重要な可能性を秘めている。 本研究では,強化学習を用いたクロス・エボディーズ・デクスタラス・グリーティング・ポリシーの学習について検討する。 提案手法は,YCBデータセットからオブジェクトを把握した場合の80%の成功率を示す。
  論文  参考訳（メタデータ） (2024-10-03T13:36:02Z)
• Symmetry Considerations for Learning Task Symmetric Robot Policies [12.856889419651521]
  シンメトリーは多くの現実世界のロボットタスクの基本的な側面である。 現在の深層強化学習(DRL)アプローチは、対称性を効果的に活用することは滅多にない。
  論文  参考訳（メタデータ） (2024-03-07T09:41:11Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• Left/Right Brain, human motor control and the implications for robotics [0.5062312533373298]
  本研究は、運動タスクの制御システムとして、二元的ニューラルネットワークアーキテクチャを探求する。 我々は,異なるタスクで観察されるような,半球の特殊化の実現を目指していた。
  論文  参考訳（メタデータ） (2024-01-25T10:29:07Z)
• RObotic MAnipulation Network (ROMAN) $\unicode{x2013}$ Hybrid Hierarchical Learning for Solving Complex Sequential Tasks [70.69063219750952]
  ロボットマニピュレーションネットワーク(ROMAN)のハイブリッド階層型学習フレームワークを提案する。 ROMANは、行動クローニング、模倣学習、強化学習を統合することで、タスクの汎用性と堅牢な障害回復を実現する。 実験結果から,これらの専門的な操作専門家の組織化と活性化により,ROMANは高度な操作タスクの長いシーケンスを達成するための適切なシーケンシャルなアクティベーションを生成することがわかった。
  論文  参考訳（メタデータ） (2023-06-30T20:35:22Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• Learning Multi-Arm Manipulation Through Collaborative Teleoperation [63.35924708783826]
  模倣学習(il)はロボットに操作タスクを実行するための強力なパラダイムである。 多くの現実世界のタスクは、重い物体を持ち上げる、デスクを組み立てるなど、複数のアームを必要とする。 複数のリモートユーザが同時にロボットアームを遠隔操作できるマルチユーザデータ収集プラットフォームであるMulti-Arm RoboTurk(MART)を紹介した。
  論文  参考訳（メタデータ） (2020-12-12T05:43:43Z)

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。