論文の概要: AxisGuide: Grounding Robot Action Coordinate System in RGB Observations for Robust Visuomotor Manipulation

• arxiv url: http://arxiv.org/abs/2606.06761v1
• Date: Thu, 04 Jun 2026 22:57:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.474465
• Title: AxisGuide: Grounding Robot Action Coordinate System in RGB Observations for Robust Visuomotor Manipulation
• Title（参考訳）: 軸ガイド:ロバスト振動子操作のためのRGB観測における接地ロボット行動コーディネートシステム
• Authors: Jiyun Jang, Yujin Sung, Woosung Joung, Daewon Chae, Sangwon Lee, Sohwi Kim, Jinkyu Kim, Jungbeom Lee,
• Abstract要約: 大規模な行動クローニングを通じて訓練された視覚的操作ポリシーは、分散シフトの下で正しい低レベルアクションを実行するのに失敗することが多い。 セマンティックシーン理解と行動調整の解釈を橋渡しする軽量なガイダンス手法であるAxisGuideを紹介する。
• 参考スコア（独自算出の注目度）: 17.509625759060473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visuomotor manipulation policies trained via large-scale behavior cloning have achieved strong semantic scene understanding, yet often fail to reliably execute correct low-level actions under distribution shifts. For example, even in a simple pickup task with identical scene layouts, camera viewpoints, and illumination, performance can degrade substantially when the object is placed at unseen locations. We argue that this gap arises from insufficient action understanding, namely the inability to interpret the robot's base-frame action coordinate system in image space. To address this issue, we introduce AxisGuide, a lightweight guidance method that bridges semantic scene understanding and action-coordinate interpretation. Using camera parameters and end-effector poses, AxisGuide renders the robot base-frame axes in each camera view and augments RGB observations with a small set of cue channels that explicitly visualize the meaning of the +x, +y, and +z motions in image space. Extensive evaluations in both the LIBERO simulation and real-world environments demonstrate that AxisGuide yields substantial performance gains and improved generalization, highlighting the effectiveness of explicit action-coordinate cues for learning reliable and transferable generalist visuomotor policies.
• Abstract（参考訳）: 大規模な行動クローニングによって訓練された視覚的操作ポリシーは、強いセマンティック・シーンの理解を達成しているが、しばしば分布シフトの下で正しい低レベル動作を確実に実行できない。 例えば、同じシーンレイアウト、カメラ視点、照明を備えた単純なピックアップタスクであっても、オブジェクトが見えない場所に置かれている場合、パフォーマンスは著しく低下する。 このギャップは、画像空間におけるロボットのベースフレーム動作座標系を解釈できないことによるものであると主張する。 この問題に対処するために,セマンティックシーン理解とアクションコーディネート解釈を橋渡しする軽量ガイダンス手法であるAxisGuideを導入する。 カメラパラメータとエンドエフェクタのポーズを使用して、AxisGuideは各カメラビューにロボットのベースフレーム軸をレンダリングし、画像空間における+x、+y、+zの動作の意味を明確に視覚化するキューチャネルの小さなセットでRGBの観察を強化する。 LIBEROシミュレーションと実世界環境の両方における広範囲な評価により、AxisGuideは大幅な性能向上と一般化の改善を実現し、信頼性と伝達可能な汎用的ビズモータポリシーを学習するための明示的な行動調整手法の有効性を強調した。

関連論文リスト

• Pixel2Catch: Multi-Agent Sim-to-Real Transfer for Agile Manipulation with a Single RGB Camera [3.219880761967806]
  本研究は、単一のRGB画像から抽出した画素レベルの視覚情報を用いて物体の動きを認識する新しいアプローチに焦点を当てる。 多指ハンドを備えたロボットアームによる高DoFシステムにおいて安定した学習を実現するため、異種多エージェント強化学習フレームワークを設計する。 各エージェントは、ロール固有の観察と報酬を使用して協調的に訓練され、学習されたポリシーはシミュレーションから実世界に移される。
  論文  参考訳（メタデータ） (2026-02-26T08:15:38Z)
• ArtiSG: Functional 3D Scene Graph Construction via Human-demonstrated Articulated Objects Manipulation [51.54082859171464]
  ArtiSGは、人間のデモを構造化されたロボットメモリにエンコードすることで、機能的な3Dシーングラフを構築するフレームワークである。 本研究では,ArtiSGが機能的要素リコールおよび調音推定精度において,ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-31T13:10:40Z)
• Precise Action-to-Video Generation Through Visual Action Prompts [62.951609704196485]
  アクション駆動のビデオ生成は、精度と一般性のトレードオフに直面している。 エージェント中心のアクション信号は、クロスドメイン転送可能性のコストで精度を提供する。 私たちはアクションをドメインに依存しない表現として正確に視覚的なプロンプトに"レンダリング"します。
  論文  参考訳（メタデータ） (2025-08-18T17:12:28Z)
• Grounding Actions in Camera Space: Observation-Centric Vision-Language-Action Policy [47.51062818231493]
  本稿では,カメラの観測空間にアクション予測を直接適用するOC-VLA(Observatory-Centric VLA)フレームワークを紹介する。 OC-VLAは、ロボットベース座標系からカメラ座標系にエンドエフェクターポーズを変換する。 この戦略は、カメラ視点の変化に対するモデルレジリエンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-18T17:10:45Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Articulated Object Manipulation using Online Axis Estimation with SAM2-Based Tracking [57.942404069484134]
  アーティキュレートされたオブジェクト操作は、オブジェクトの軸を慎重に考慮する必要がある、正確なオブジェクトインタラクションを必要とする。 従来の研究では、対話的な知覚を用いて関節のある物体を操作するが、通常、オープンループのアプローチは相互作用のダイナミクスを見渡すことに悩まされる。 本稿では,対話的知覚と3次元点雲からのオンライン軸推定を統合したクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)

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。