論文の概要: EquiBim: Learning Symmetry-Equivariant Policy for Bimanual Manipulation
- arxiv url: http://arxiv.org/abs/2603.08541v1
- Date: Mon, 09 Mar 2026 16:09:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.113619
- Title: EquiBim: Learning Symmetry-Equivariant Policy for Bimanual Manipulation
- Title（参考訳）: EquiBim: 双方向操作のための対称性-等価ポリシーの学習
- Abstract要約: EquiBimは、二元的操作のための対称性に等価なポリシー学習フレームワークである。
我々のアプローチは、観測空間と作用空間の両方における群作用として物理対称性を定式化する。
本研究は,シミュレーションにおける多様な観察・行動構成にまたがって評価し,実世界のデュアルアームシステム上での検証を行う。
- 参考スコア（独自算出の注目度）: 6.9686350006975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic imitation learning has achieved impressive success in learning complex manipulation behaviors from demonstrations. However, many existing robot learning methods do not explicitly account for the physical symmetries of robotic systems, often resulting in asymmetric or inconsistent behaviors under symmetric observations. This limitation is particularly pronounced in dual-arm manipulation, where bilateral symmetry is inherent to both the robot morphology and the structure of many tasks. In this paper, we introduce EquiBim, a symmetry-equivariant policy learning framework for bimanual manipulation that enforces bilateral equivariance between observations and actions during training. Our approach formulates physical symmetry as a group action on both observation and action spaces, and imposes an equivariance constraint on policy predictions under symmetric transformations. The framework is model-agnostic and can be seamlessly integrated into a wide range of imitation learning pipelines with diverse observation modalities and action representations, including point cloud-based and image-based policies, as well as both end-effector-space and joint-space parameterizations. We evaluate EquiBim on RoboTwin, a dual-arm robotic platform with symmetric kinematics, and evaluate it across diverse observation and action configurations in simulation. We further validate the approach on a real-world dual-arm system. Across both simulation and physical experiments, our method consistently improves performance and robustness under distribution shifts. These results suggest that explicitly enforcing physical symmetry provides a simple yet effective inductive bias for bimanual robot learning.
- Abstract（参考訳）: ロボット模倣学習は、デモから複雑な操作行動を学ぶことで、目覚ましい成功を収めた。
しかし、既存のロボット学習法の多くは、ロボットシステムの物理的対称性を明示的に説明していないため、しばしば対称的な観察の下で非対称的あるいは一貫性のない振る舞いをもたらす。
この制限は、ロボットの形態と多くのタスクの構造の両方に左右対称が固有の双腕操作において特に顕著である。
本稿では,両眼操作のための対称性・等価な政策学習フレームワークであるEquiBimを紹介する。
我々のアプローチは、観測空間と行動空間の両方における群作用として物理対称性を定式化し、対称変換の下での政策予測に同値な制約を課す。
このフレームワークはモデルに依存しないため、ポイントクラウドベースのポリシーやイメージベースのポリシー、エンドエフェクタスペースとジョイントスペースのパラメータ化など、さまざまな観察モダリティとアクション表現を備えた、幅広い模倣学習パイプラインにシームレスに統合することができる。
対称キネマティクスを持つデュアルアームロボットプラットフォームであるRoboTwin上でのEquiBimを評価し,シミュレーションにおいて多種多様な観察・行動構成で評価した。
実世界のデュアルアームシステムにおけるアプローチをさらに検証する。
シミュレーションと物理実験の両方において,本手法は分散シフト時の性能とロバスト性を一貫して改善する。
これらの結果は、物理的対称性を明示的に強制することは、双対ロボット学習に単純だが効果的な帰納的バイアスをもたらすことを示唆している。
関連論文リスト
- Morphologically Equivariant Flow Matching for Bimanual Mobile Manipulation [25.389467312557127]
形態的対称性は 未発見だが重要な帰納的バイアスだ 双方向の移動操作の学習に
ある構成におけるタスクの解決方法を知ることで、ミラー化されたタスクの解決方法が直接決定される。
平面と6-DoFの移動操作タスク全体にわたって、対称性にインフォームドされたポリシーは、サンプル効率を一貫して改善する。
論文 参考訳（メタデータ） (2026-05-12T15:04:38Z) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - 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) - Morphological Symmetries in Robotics [45.32599550966704]
形態的対称性は ロボットの形態の固有の特性です
これらの対称性は、ロボットの状態空間とセンサーの測定にまで拡張される。
データ駆動型手法では, 機械学習モデルのサンプル効率と一般化を, モルフォロジー対称性により向上させることができることを示す。
解析手法の文脈では、ロボットの力学を低次元独立力学の重ね合わせに分解するために抽象調和解析を用いる。
論文 参考訳（メタデータ） (2024-02-23T17:21:21Z) - The Common Stability Mechanism behind most Self-Supervised Learning
Approaches [64.40701218561921]
自己指導型学習手法の安定性のメカニズムを説明するための枠組みを提供する。
我々は,BYOL,SWAV,SimSiam,Barlow Twins,DINOなどの非コントラスト技術であるSimCLRの動作メカニズムについて議論する。
私たちは異なる仮説を定式化し、Imagenet100データセットを使ってそれらをテストします。
論文 参考訳（メタデータ） (2024-02-22T20:36:24Z) - A Unified Framework to Enforce, Discover, and Promote Symmetry in Machine Learning [5.1105250336911405]
機械学習モデルに対称性を組み込むための統一理論および方法論の枠組みを提供する。
対称性の強制と発見は、リー微分の双線型構造に対して双対である線形代数的タスクであることを示す。
本稿では、リー微分と核ノルム緩和に基づく凸正規化関数のクラスを導入することで対称性を促進する新しい方法を提案する。
論文 参考訳（メタデータ） (2023-11-01T01:19:54Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳（メタデータ） (2023-05-26T14:40:46Z) - Sample Efficient Dynamics Learning for Symmetrical Legged
Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。
ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
論文 参考訳（メタデータ） (2022-10-13T19:57:46Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。