論文の概要: See Selectively, Act Adaptively: Dual-Level Structural Decomposition for Bimanual Robot Manipulation
- arxiv url: http://arxiv.org/abs/2606.13279v1
- Date: Thu, 11 Jun 2026 12:33:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.788471
- Title: See Selectively, Act Adaptively: Dual-Level Structural Decomposition for Bimanual Robot Manipulation
- Title（参考訳）: ロボットマニピュレーションのためのデュアルレベル構造分解法
- Authors: Yoon-Ji Choi, Young-Chae Son, Soo-Chul Lim,
- Abstract要約: 本稿では,デュアルレベル構造分解に基づく双方向操作フレームワークを提案する。
提案手法は,RoboTwin 2.0における6つの実時間操作タスクと3つの長軸実世界タスクにおいて評価される。
- 参考スコア（独自算出の注目度）: 1.7587442088965224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In bimanual robotic manipulation, task-relevant visual information varies with the task stage and context, while the interaction of the two arms shifts between independent and coordinated modes, making policy learning challenging. However, existing monolithic Vision-Language-Action (VLA) policies process diverse visual inputs and interaction patterns through a single shared representation and action generation pathway, often failing to separately account for visual relevance and bimanual interaction structure. To address this issue, we propose a bimanual manipulation VLA framework based on Dual-Level Structural Decomposition. The View-Selective Visual Router dynamically adjusts wrist-view contributions to emphasize relevant visual cues, while the Interaction-Aware Action Mixture-of-Experts (MoE) decomposes action generation into coordinated and arm-wise pathways to adapt to varying bimanual interaction modes. We evaluate the proposed method on six simulated bimanual manipulation tasks in RoboTwin 2.0 and three long-horizon real-world tasks. Our model improves the overall average success rate over a monolithic baseline by 27.7% in simulation and 43.3% in real-world evaluation, while consistently outperforming single-module variants across both settings. These results demonstrate that jointly considering selective visual processing and explicit decomposition of bimanual interaction structures provides an effective inductive bias for robust bimanual manipulation.
- Abstract（参考訳）: 双方向ロボット操作では、タスク関連視覚情報はタスクステージとコンテキストによって異なるが、2つのアームの相互作用は独立モードと協調モードの間で変化し、ポリシー学習は困難である。
しかしながら、既存のモノリシック・ビジョン・ランゲージ・アクション(VLA)ポリシーは、単一の共有表現とアクション生成経路を通じて多様な視覚的な入力と相互作用パターンを処理し、視覚的関連性と双方向の相互作用構造を別々に説明できないことが多い。
この問題に対処するため,デュアルレベル構造分解に基づく双方向操作VLAフレームワークを提案する。
View-Selective Visual Routerは、手首ビューのコントリビューションを動的に調整して、関連する視覚的手がかりを強調する一方で、Interaction-Aware Action Mixture-of-Experts (MoE)は、アクション生成を協調的および腕回りの経路に分解して、さまざまな双方向のインタラクションモードに適応させる。
提案手法は,RoboTwin 2.0における6つの実時間操作タスクと3つの長軸実世界タスクにおいて評価される。
我々のモデルは、モノリシックなベースラインに対する平均成功率を27.7%改善し、実世界の評価では43.3%向上し、両方の設定で一貫してシングルモジュールのバリエーションを上回っている。
これらの結果は、選択的な視覚処理と2次元相互作用構造の明示的な分解を共同で検討することで、ロバストな2次元操作に効果的な帰納的バイアスをもたらすことを示す。
関連論文リスト
- AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。
AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-04T13:28:51Z) - GesVLA: Gesture-Aware Vision-Language-Action Model Embedded Representations [19.347332945780273]
VLA(Vision-Language-Action)モデルは、知覚と行動の統一による汎用ロボット操作の強力な可能性を示している。
ジェスチャーを並列命令として導入し,GesVLA(Gesture-Aware Vision-Language-Action Model)を提案する。
実験結果から,ジェスチャを組み込むことにより,目標の接地精度と人間とロボットの相互作用効率が一貫した改善が得られた。
論文 参考訳（メタデータ） (2026-05-21T17:57:44Z) - TriRelVLA: Triadic Relational Structure for Generalizable Embodied Manipulation [54.81449795163812]
視覚言語アクション(VLA)モデルは、トレーニング対象のロボットタスクでうまく機能するが、見えないシーンやオブジェクトに一般化するのに苦労する。
一般化可能なエンボディ操作のための三進関係VLAフレームワークであるTriRelVLAを提案する。
実験は、微調整されたタスクにおいて強い性能を示し、クロスシーン、クロスオブジェクト、クロスタスクの一般化において明確なゲインを示す。
論文 参考訳（メタデータ） (2026-05-07T05:57:49Z) - Scene-agnostic Hierarchical Bimanual Task Planning via Visual Affordance Reasoning [5.296623863894165]
オープン環境で動作しているエージェントは、ハイレベルな命令を基底的で実行可能な動作に変換する必要がある。
本稿では,高次推論を3次元2次元実行でブリッジする,シーン非依存の双方向タスク計画のための統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-10T04:37:07Z) - Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。
本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。
我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
論文 参考訳（メタデータ） (2025-03-12T09:28:41Z) - InterACT: Inter-dependency Aware Action Chunking with Hierarchical Attention Transformers for Bimanual Manipulation [1.4835219023165949]
階層型注意変換器を用いた相互依存認識型アクションチャンキング(InterACT: Inter-Dependency aware Action Chunking)を紹介する。
InterACTは、バイマニュアル操作に特化して設計された新しい模倣学習フレームワークである。
シミュレーションおよび実世界の実世界のバイマニュアル操作タスクで行った実験は、InterACTが既存の手法より優れていることを示した。
論文 参考訳（メタデータ） (2024-09-12T10:30:44Z) - Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。
実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文 参考訳（メタデータ） (2024-06-01T13:28:31Z) - Towards a Unified Transformer-based Framework for Scene Graph Generation
and Human-object Interaction Detection [116.21529970404653]
本稿では,Transformerアーキテクチャに基づく一段階統一モデルであるSG2HOI+を紹介する。
本手法では,SGGとHOI検出のタスクをシームレスに統一する2つの対話型階層変換器を用いる。
提案手法は最先端のHOI法と比較して競争性能が向上する。
論文 参考訳（メタデータ） (2023-11-03T07:25:57Z) - Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and
Motion Estimation [49.56131393810713]
本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。
本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
論文 参考訳（メタデータ） (2023-06-08T22:55:32Z) - Task-Aware Asynchronous Multi-Task Model with Class Incremental
Contrastive Learning for Surgical Scene Understanding [17.80234074699157]
手術報告生成とツール-タスク間相互作用予測のためのマルチタスク学習モデルを提案する。
共有特徴抽出器のモデル形式,キャプション用メッシュ・トランスフォーマブランチ,ツールとタスク間の相互作用予測のためのグラフアテンションブランチ。
タスク認識型非同期MTL最適化手法を組み込んで,共有重みを微調整し,両タスクを最適に収束させる。
論文 参考訳（メタデータ） (2022-11-28T14:08:48Z)
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。