論文の概要: ADM-DP: Adaptive Dynamic Modality Diffusion Policy through Vision-Tactile-Graph Fusion for Multi-Agent Manipulation

• arxiv url: http://arxiv.org/abs/2602.21622v1
• Date: Wed, 25 Feb 2026 06:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.696758
• Title: ADM-DP: Adaptive Dynamic Modality Diffusion Policy through Vision-Tactile-Graph Fusion for Multi-Agent Manipulation
• Title（参考訳）: ADM-DP:マルチエージェントマニピュレーションのための視覚触覚グラフ融合による適応動的モード拡散政策
• Authors: Enyi Wang, Wen Fan, Dandan Zhang,
• Abstract要約: 協調制御のための視覚,触覚,およびグラフベース(マルチエージェントポーズ)モダリティを統合するフレームワークを提案する。 7つのマルチエージェントタスクの中で、ADM-DPは最先端のベースラインよりも12-25%のパフォーマンス向上を達成した。
• 参考スコア（独自算出の注目度）: 6.476276375428053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent robotic manipulation remains challenging due to the combined demands of coordination, grasp stability, and collision avoidance in shared workspaces. To address these challenges, we propose the Adaptive Dynamic Modality Diffusion Policy (ADM-DP), a framework that integrates vision, tactile, and graph-based (multi-agent pose) modalities for coordinated control. ADM-DP introduces four key innovations. First, an enhanced visual encoder merges RGB and point-cloud features via Feature-wise Linear Modulation (FiLM) modulation to enrich perception. Second, a tactile-guided grasping strategy uses Force-Sensitive Resistor (FSR) feedback to detect insufficient contact and trigger corrective grasp refinement, improving grasp stability. Third, a graph-based collision encoder leverages shared tool center point (TCP) positions of multiple agents as structured kinematic context to maintain spatial awareness and reduce inter-agent interference. Fourth, an Adaptive Modality Attention Mechanism (AMAM) dynamically re-weights modalities according to task context, enabling flexible fusion. For scalability and modularity, a decoupled training paradigm is employed in which agents learn independent policies while sharing spatial information. This maintains low interdependence between agents while retaining collective awareness. Across seven multi-agent tasks, ADM-DP achieves 12-25% performance gains over state-of-the-art baselines. Ablation studies show the greatest improvements in tasks requiring multiple sensory modalities, validating our adaptive fusion strategy and demonstrating its robustness for diverse manipulation scenarios.
• Abstract（参考訳）: 複数エージェントのロボット操作は、共有ワークスペースにおける協調、安定性の把握、衝突回避の要求が組み合わさったため、依然として困難である。 これらの課題に対処するために,視覚,触覚,およびグラフベース(マルチエージェントポーズ)モダリティを統合して協調制御を行うフレームワークであるAdaptive Dynamic Modality Diffusion Policy (ADM-DP)を提案する。 ADM-DPは4つの重要なイノベーションを導入している。 まず、強化されたビジュアルエンコーダは、RGBとポイントクラウド機能をFiLM(Feature-wise Linear Modulation)変調によって統合し、知覚を豊かにする。 第2に、触覚誘導型グリップ戦略は、力覚抵抗(FSR)フィードバックを用いて、接触不足を検出し、修正的グリップリファインメントをトリガーし、グリップ安定性を向上させる。 第3に、グラフベースの衝突エンコーダは、複数のエージェントの共有ツール中心位置(TCP)を構造化運動コンテキストとして利用し、空間認識を維持し、エージェント間干渉を低減する。 第4に、アダプティブ・モダリティ・アテンション・メカニズム(AMAM)は、タスクコンテキストに応じて動的にモダリティを再重み付けし、フレキシブルな融合を可能にする。 スケーラビリティとモジュール性のために、エージェントが空間情報を共有しながら独立したポリシーを学ぶための分離されたトレーニングパラダイムが採用されている。 これはエージェント間の相互依存を低く保ちながら、集団的認識を維持する。 7つのマルチエージェントタスクの中で、ADM-DPは最先端のベースラインよりも12-25%のパフォーマンス向上を達成した。 アブレーション研究は、複数の感覚モダリティを必要とするタスクの最大の改善を示し、適応的な融合戦略を検証し、多様な操作シナリオに対する堅牢性を示す。

関連論文リスト

• ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
  本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。 本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。 コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
  論文  参考訳（メタデータ） (2025-12-11T18:59:46Z)
• Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
  本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。 提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。 我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
  論文  参考訳（メタデータ） (2025-09-27T19:43:04Z)
• QuadKAN: KAN-Enhanced Quadruped Motion Control via End-to-End Reinforcement Learning [2.26464274357758]
  我々は、強化学習(RL)による視覚誘導四足歩行制御に対処する。 Kolmogorov-Arnold Networks (KAN) でインスタンス化されたクロスモーダルポリシーである QuadKAN を提案する。 以上の結果から,QuadKANは最新技術(SOTA)ベースラインよりも一貫して高いリターン,より大きな距離,衝突の少ないことが分かる。
  論文  参考訳（メタデータ） (2025-08-26T16:05:32Z)
• Confidence-driven Gradient Modulation for Multimodal Human Activity Recognition: A Dynamic Contrastive Dual-Path Learning Approach [8.505513517407993]
  動的コントラストデュアルパスネットワーク(D-HAR)と呼ばれる新しいフレームワークを提案する。 まず、デュアルパスの特徴抽出アーキテクチャを使用し、ResNetとDenseCDPNetが協調してマルチモーダルセンサデータを処理している。 第二に、局所的な知覚から意味的抽象への進歩的なアライメントを実現するために、多段階のコントラスト学習機構を導入する。 第3に、バックプロパゲーション中の各モード分岐の学習強度を動的に監視・調整する信頼性駆動型勾配変調方式を提案する。
  論文  参考訳（メタデータ） (2025-07-03T17:37:46Z)
• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)

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。