論文の概要: Query-Centric Diffusion Policy for Generalizable Robotic Assembly

• arxiv url: http://arxiv.org/abs/2509.18686v1
• Date: Tue, 23 Sep 2025 06:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.723821
• Title: Query-Centric Diffusion Policy for Generalizable Robotic Assembly
• Title（参考訳）: 汎用ロボット集合のためのクエリ中心拡散ポリシー
• Authors: Ziyi Xu, Haohong Lin, Shiqi Liu, Ding Zhao,
• Abstract要約: 本稿では,オブジェクト,コンタクトポイント,スキル情報などのクエリを活用することで,高レベルの計画と低レベルの制御を橋渡しする階層型フレームワークを提案する。 我々はFurnitureBenchのシミュレーションと実世界の設定の両方において総合的な実験を行い、技術精度の向上と長期成功率の向上を実証した。
• 参考スコア（独自算出の注目度）: 35.15799846535565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robotic assembly task poses a key challenge in building generalist robots due to the intrinsic complexity of part interactions and the sensitivity to noise perturbations in contact-rich settings. The assembly agent is typically designed in a hierarchical manner: high-level multi-part reasoning and low-level precise control. However, implementing such a hierarchical policy is challenging in practice due to the mismatch between high-level skill queries and low-level execution. To address this, we propose the Query-centric Diffusion Policy (QDP), a hierarchical framework that bridges high-level planning and low-level control by utilizing queries comprising objects, contact points, and skill information. QDP introduces a query-centric mechanism that identifies task-relevant components and uses them to guide low-level policies, leveraging point cloud observations to improve the policy's robustness. We conduct comprehensive experiments on the FurnitureBench in both simulation and real-world settings, demonstrating improved performance in skill precision and long-horizon success rate. In the challenging insertion and screwing tasks, QDP improves the skill-wise success rate by over 50% compared to baselines without structured queries.
• Abstract（参考訳）: ロボット組立タスクは、部分的相互作用の本質的な複雑さと、接触に富んだ環境でのノイズ摂動に対する感受性により、汎用ロボットを構築する上で重要な課題となる。 アセンブリエージェントは通常、階層的な方法で設計される: ハイレベルな複数部分推論と低レベルな精密制御。 しかし、ハイレベルなスキルクエリと低レベルの実行のミスマッチのため、このような階層的なポリシーの実装は現実的には難しい。 これを解決するために,クエリ中心拡散ポリシー (QDP) を提案する。これは,オブジェクト,コンタクトポイント,スキル情報などのクエリを活用することで,高レベルの計画と低レベルの制御を橋渡しする階層的なフレームワークである。 QDPは、タスク関連コンポーネントを識別し、低レベルのポリシーをガイドするクエリ中心のメカニズムを導入し、ポイントクラウドの観測を活用してポリシーの堅牢性を改善する。 我々はFurnitureBenchのシミュレーションと実世界の設定の両方において総合的な実験を行い、技術精度の向上と長期成功率の向上を実証した。 難易度の高い挿入とスクリュータスクでは、QDPは構造化クエリなしでのベースラインに比べて、スキルワイドの成功率を50%以上改善する。

関連論文リスト

• HERAKLES: Hierarchical Skill Compilation for Open-ended LLM Agents [29.437416274639165]
  HERAKLESは、2段階の階層的オートテリックエージェントによって、マスタ化された目標を低レベルポリシーに継続的にコンパイルすることを可能にするフレームワークである。 目標の複雑さを効果的にスケールし、スキルコンパイルによるサンプル効率を改善し、エージェントが時間とともに新しい課題に頑健に適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-20T14:50:28Z)
• RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [80.20970723577818]
  長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。 データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。 以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
  論文  参考訳（メタデータ） (2025-06-07T06:15:49Z)
• PC-Agent: A Hierarchical Multi-Agent Collaboration Framework for Complex Task Automation on PC [98.82146219495792]
  本稿では,PC-Agentという階層型エージェントフレームワークを提案する。 認識の観点からは,現在のMLLMのスクリーンショットコンテンツに対する認識能力の不十分さを克服するために,アクティブ知覚モジュール(APM)を考案する。 意思決定の観点から、複雑なユーザ命令や相互依存サブタスクをより効果的に扱うために、階層的なマルチエージェント協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-20T05:41:55Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• Exploiting Hybrid Policy in Reinforcement Learning for Interpretable Temporal Logic Manipulation [12.243491328213217]
  強化学習(Reinforcement Learning, RL)に基づく手法は, ロボット学習においてますます研究されている。 本稿では,エージェントの性能向上のために3段階決定層を利用する時間論理誘導型ハイブリッドポリシーフレームワーク(HyTL)を提案する。 我々は,HyTLを4つの困難な操作タスクで評価し,その有効性と解釈可能性を示した。
  論文  参考訳（メタデータ） (2024-12-29T03:34:53Z)
• On the benefits of pixel-based hierarchical policies for task generalization [7.207480346660617]
  強化学習実践者は、特に画像に基づく観察空間において、階層的な政策を避けることが多い。 画素からのマルチタスクロボット制御実験により階層構造の利点を解析する。
  論文  参考訳（メタデータ） (2024-07-27T01:26:26Z)
• CRISP: Curriculum Inducing Primitive Informed Subgoal Prediction for Hierarchical Reinforcement Learning [25.84621883831624]
  CRISPは、階層的強化学習における不安定性に取り組むカリキュラム駆動のフレームワークである。 現在の低レベルプリミティブによって常に到達可能なサブゴールを生成するために、エキスパートのデモを適応的にリラベルする。 強い階層的ベースラインと平坦なベースラインに対して、成功率を40%以上向上させる。
  論文  参考訳（メタデータ） (2023-04-07T08:22:50Z)
• Procedures as Programs: Hierarchical Control of Situated Agents through Natural Language [81.73820295186727]
  エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。 NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2021-09-16T20:36:21Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)

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。