論文の概要: One Hand Watches The Other: Dynamic Multi-Agent Cooperation for Sample-Efficient Bimanual Manipulation in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2607.22119v1
- Date: Fri, 24 Jul 2026 09:14:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.09069
- Title: One Hand Watches The Other: Dynamic Multi-Agent Cooperation for Sample-Efficient Bimanual Manipulation in Dynamic Environments
- Title（参考訳）: 片手は、もう片手を見る: 動的環境におけるサンプル効率の良いバイマニピュレーションのための動的マルチエージェント協調
- Abstract要約: DynaMACは、マルチストリームロボット操作ポリシーのための軽量でポリシーに依存しないフレームワークである。
動的環境におけるロボット操作のための新しいベンチマークであるDynaBenchを紹介する。
DynaMACは静的なデモから動的環境へのゼロショットを一般化する。
- 参考スコア（独自算出の注目度）: 18.84041078934057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-stream robot manipulation policies achieve unparalleled sample efficiency and generalization by modeling actions relative to environmental reference frames. However, existing approaches typically assume these frames to be strictly exogenous. This causal assumption collapses in dynamic settings, such as when a single robot arm manipulates a moving object or when two arms coordinate, where each arm effectively becomes part of the dynamic environment of the other. We propose DynaMAC, a lightweight, policy-agnostic framework that resolves this causal limitation while preserving the sample efficiency, computational speed, and flexibility of multi-stream policies, DynaMAC treats the opposite arm as a dynamic task parameter, thereby providing a unified formulation for dynamic manipulation and bimanual coordination without requiring an explicit leader-follower relationship. To rigorously evaluate these capabilities, we introduce DynaBench, a novel benchmark for robot manipulation in dynamic environments. Across both dynamic environments and bimanual manipulation tasks, DynaMAC outperforms leading probabilistic and generative baselines by over 35 percentage points while requiring 20 times fewer samples. Crucially, DynaMAC generalizes zero-shot from static demonstrations to dynamic environments, substantially simplifying data collection and establishing an elegant bridge toward human-robot collaboration.
- Abstract（参考訳）: マルチストリームロボット操作ポリシは,環境基準フレームに対するモデリング動作により,非並列なサンプル効率と一般化を実現する。
しかし、既存のアプローチでは、これらのフレームは厳密に外生的なものであるとみなすのが一般的である。
この因果仮定は、単一のロボットアームが動く物体を操作する場合や、各アームが他方の動的環境の一部となる2つのアーム座標を操作した場合など、動的環境において崩壊する。
提案するDynaMACは,マルチストリームポリシのサンプル効率,計算速度,柔軟性を保ちながら,この因果制限を解決する軽量でポリシーに依存しないフレームワークである。
これらの機能を厳格に評価するために,動的環境におけるロボット操作のための新しいベンチマークであるDynaBenchを紹介する。
動的環境と双方向操作タスクの両方において、DynaMACは、20倍のサンプルを必要とする一方で、確率的および生成的ベースラインを35パーセント以上上回っている。
重要なことに、DynaMACは静的なデモから動的環境へのゼロショットを一般化し、データ収集を大幅に単純化し、人間とロボットのコラボレーションに向けたエレガントなブリッジを確立する。
関連論文リスト
- CoAdapt: An LLM-based Framework for Adaptive Collaborative Perception in IIoT Robotic Swarms [2.6155698073666023]
CoAdaptは、IIoTロボット群のための適応型協調認識フレームワークである。
提案手法は,静的ベースライン手法に匹敵する検出精度を維持しつつ,通信コストを38%削減する。
論文 参考訳（メタデータ） (2026-09-15T08:44:08Z) - DynamicManip: Enabling Dynamic Manipulation from a Single Static Demonstration [34.4044954225045]
高速なデータ拡張パイプラインと低レイテンシな模倣ポリシを通じて,課題に対処するDynamicManipを提案する。
動的操作タスクにおいて、DynamicManipは、平均成功率18.4ポイント以上の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） (2026-08-02T19:23:54Z) - Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。
Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
論文 参考訳（メタデータ） (2026-06-13T20:55:46Z) - Personalized and Robust Proactive Robot Assistance with Uncertainty-Guided LLM Reasoning [4.243926243206826]
家庭環境における積極的ロボット支援は、ダイナミックでノイズの多い環境下での人間の活動と物体の使用を正確に予測する必要がある。
我々は,n時間マルコフモデルと不確実性誘導型大言語モデル(LLM)推論を組み合わせた軽量なフレームワークGLOBEを提案する。
その結果、GLOBEは最先端の手法と競合する性能を達成し、クリーンノイズの両設定における堅牢性と計算効率を改善した。
論文 参考訳（メタデータ） (2026-06-07T05:18:30Z) - X-OP: Cross-Morphology Whole-Body Teleoperation via MPC Retargeting [3.134050607080983]
全体遠隔操作は、ロコ操作タスクにおけるスケーラブルなロボットデータ収集に不可欠である。
単一のXRデバイスによって駆動される階層的な全身遠隔操作フレームワークを提案する。
我々は,ヒューマノイドと移動マニピュレータの双方において,全身制御タスクにおいて高い成功率を示す。
論文 参考訳（メタデータ） (2026-06-06T01:50:59Z) - ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。
本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
論文 参考訳（メタデータ） (2026-03-07T08:06:51Z) - Closed-Loop Action Chunks with Dynamic Corrections for Training-Free Diffusion Policy [52.106797722292896]
我々は,チャンクベースのアクション生成とリアルタイム修正を統合した動的クローズドループ拡散ポリシーフレームワークDCDPを提案する。
動的PushTシミュレーションでは、DCDPは5%の計算しか必要とせず、再トレーニングなしに適応性を19%改善する。
論文 参考訳（メタデータ） (2026-03-02T15:04:18Z) - DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation [52.83157499300261]
時間的推論と閉ループ適応を統合した動的オブジェクト操作のフレームワークであるDynamicVLAを提案する。
我々は、自動データ収集パイプラインでスクラッチから構築されたDynamic Object Manipulationベンチマークを紹介します。
広範囲な評価は、応答速度、知覚、一般化の顕著な改善を示している。
論文 参考訳（メタデータ） (2026-01-29T18:59:51Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。
環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2025-11-06T22:24:35Z) - Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
モデル予測制御(MPC)のための物理に基づく力学モデルに漸進的に適応する非包括的操作のための新しいアプローチを提案する。
シミュレーションおよび実ロボットを用いた物体押出実験における少数ショット適応手法の評価を行った。
論文 参考訳（メタデータ） (2024-09-20T05:24:25Z) - Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。
このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
論文 参考訳（メタデータ） (2024-08-07T14:32:41Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。