Fugu-MT 論文翻訳(概要): EquiBim: Learning Symmetry-Equivariant Policy for Bimanual Manipulation

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
Authors: Zhiyuan Zhang, Aditya Mohan, Seungho Han, Wan Shou, Dongyi Wang, Yu She,
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。

論文の概要: EquiBim: Learning Symmetry-Equivariant Policy for Bimanual Manipulation

関連論文リスト