Fugu-MT 論文翻訳(概要): $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies

論文の概要: $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies

arxiv url: http://arxiv.org/abs/2602.09021v1
Date: Mon, 09 Feb 2026 18:59:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:25.445441
Title: $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies
Title（参考訳）: リソースを意識したロバスト操作の分散不整合の処理
Authors: Checheng Yu, Chonghao Sima, Gangcheng Jiang, Hai Zhang, Haoguang Mai, Hongyang Li, Huijie Wang, Jin Chen, Kaiyang Wu, Li Chen, Lirui Zhao, Modi Shi, Ping Luo, Qingwen Bu, Shijia Peng, Tianyu Li, Yibo Yuan,
Abstract要約: 両腕ロボットの2つのセットは、平ら化、折りたたみ、さまざまな服の吊り下げなど、衣服の操作をオーケストレーションします。 $_0$は、ロボット操作のプロダクションレベルの堅牢性を達成するために、効率的なモジュールが指定された、リソース効率のよいフレームワークである。実験によると、$_0$は、20時間データと8 A100 GPUだけで、最先端の$_0.5$を成功率で250%近く上回っている。
参考スコア（独自算出の注目度）: 40.920885088894174
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-reliability long-horizon robotic manipulation has traditionally relied on large-scale data and compute to understand complex real-world dynamics. However, we identify that the primary bottleneck to real-world robustness is not resource scale alone, but the distributional shift among the human demonstration distribution, the inductive bias learned by the policy, and the test-time execution distribution -- a systematic inconsistency that causes compounding errors in multi-stage tasks. To mitigate these inconsistencies, we propose $χ_{0}$, a resource-efficient framework with effective modules designated to achieve production-level robustness in robotic manipulation. Our approach builds off three technical pillars: (i) Model Arithmetic, a weight-space merging strategy that efficiently soaks up diverse distributions of different demonstrations, varying from object appearance to state variations; (ii) Stage Advantage, a stage-aware advantage estimator that provides stable, dense progress signals, overcoming the numerical instability of prior non-stage approaches; and (iii) Train-Deploy Alignment, which bridges the distribution gap via spatio-temporal augmentation, heuristic DAgger corrections, and temporal chunk-wise smoothing. $χ_{0}$ enables two sets of dual-arm robots to collaboratively orchestrate long-horizon garment manipulation, spanning tasks from flattening, folding, to hanging different clothes. Our method exhibits high-reliability autonomy; we are able to run the system from arbitrary initial state for consecutive 24 hours non-stop. Experiments validate that $χ_{0}$ surpasses the state-of-the-art $π_{0.5}$ in success rate by nearly 250%, with only 20-hour data and 8 A100 GPUs. Code, data and models will be released to facilitate the community.
Abstract（参考訳）: 信頼性の高い長距離ロボット操作は、伝統的に、複雑な現実世界のダイナミクスを理解するために、大規模なデータと計算に依存してきた。しかし,実世界のロバスト性に対する主要なボトルネックは,資源規模だけではなく,人間の実演分布の分布変化,政策によって学習された帰納的バイアス,多段階タスクにおける複合的エラーを引き起こす系統的不整合であるテスト時実行分布などである。この不整合を緩和するために,ロボット操作における実運用レベルの堅牢性を実現するために,効率的なモジュールを指定した資源効率のよいフレームワークである$ _{0}$を提案する。私たちのアプローチは3つの技術的柱から成り立っている。一モデル算術(モデル算術) 物体の外観から状態の変動まで様々に異なるデモンストレーションの多様な分布を効率よく吸収する重量空間統合戦略。 (II)ステージアドバンテージ(ステージアウェア・アドバンテージ)は、安定かつ高密度な進行信号を提供し、従来の非ステージアプローチの数値不安定性を克服する、ステージアウェア・アドバンテージ推定器である。三時空間増強、ヒューリスティックダガー補正、時空間平滑化により配電ギャップを橋渡しする列車配置調整 2組のデュアルアームロボットが、平らな服や折りたたみ服、さまざまな服の吊り下げなど、長い水平服の操作を協調的に行うことができる。本手法は信頼性の高い自律性を示し,24時間連続で任意の初期状態からシステムを実行することができる。実験の結果, π_{0.5}=================================================================================================================================================================================================== コード、データ、モデルはコミュニティを促進するためにリリースされます。

論文の概要: $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies

関連論文リスト