論文の概要: Distributed Dexterous Manipulation with Spatially Conditioned Multi-Agent Transformers
- arxiv url: http://arxiv.org/abs/2609.06930v1
- Date: Mon, 07 Sep 2026 02:01:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.337704
- Title: Distributed Dexterous Manipulation with Spatially Conditioned Multi-Agent Transformers
- Title（参考訳）: 空間条件付きマルチエージェント変換器を用いた分散デクサラスマニピュレーション
- Abstract要約: 本稿では,空間条件付きマルチエージェント変換器(MAT)に基づく分散デクサラスマニピュレーションシステムのためのロバスト制御ポリシを効率的に学習するためのフレームワークを提案する。
提案する3つのコアコントリビューションは, (i) 計算効率に適応的な層ノルムを持つMAT, (ii) ロボットの空間構成に接地トランスフォーマーを埋め込む空間コントラスト埋め込み, (iii) ソフトアクタ批評家を用いて微調整したMATに基づく行動クローニング手法である。
- 参考スコア（独自算出の注目度）: 0.7310043452300737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed Dexterous Manipulation (DDM) is a novel paradigm that presents significant control challenges due to high action-space redundancy, inter-robot cooperation, and dynamic object-robot interactions. This paper introduces a framework based on spatially conditioned Multi-Agent Transformers (MATs) to efficiently learn robust control policies for a DDM system grounded in an array of 64 soft delta robots arranged in an 8x8 grid. Our three core contributions are: (i) an MAT with adaptive layer norm for compute efficiency, (ii) spatial contrastive embeddings to ground transformer embeddings in the spatial configuration of the robots, and (iii) an MAT-based behavior cloning method fine-tuned using Soft Actor Critic. We also propose an action selection formulation to analyze the trade-off between task performance and the number of robots utilized. Our experiments show that MATs iteratively refine their actions through the stacked attention blocks. This further informs the benefit of spatial conditioning in transformers to learn DDM policies. We demonstrate long-horizon planar manipulation tasks with objects of various geometries in simulation and real-world. Finally, we show how action selection mitigates robot maintenance by reducing wear and tear due to inter-robot collisions while maintaining the ability to manipulate objects along various trajectories in the real-world, achieving an average error of ~1.5 cm, while using ~65% fewer robots.
- Abstract（参考訳）: DDM(Distributed Dexterous Manipulation)は、アクション空間の冗長性、ロボット間協調、動的オブジェクト-ロボット間相互作用などによる重要な制御課題を示す新しいパラダイムである。
本稿では,空間条件付きマルチエージェント変換器(MAT)をベースとした,64個のソフトデルタロボットを8x8グリッドに配置したDDMシステムのロバスト制御ポリシを効率的に学習するフレームワークを提案する。
私たちの3つのコアコントリビューションは以下のとおりです。
i) 計算効率に適応的な層ノルムを持つMAT。
二 ロボットの空間配置における地中変圧器への空間的コントラスト埋め込み
三 ソフトアクター批評家を用いたMATに基づく行動クローニング法
また,タスク性能と使用するロボット数とのトレードオフを分析するための行動選択定式化を提案する。
実験の結果,MATは重み付けされた注目ブロックを通じて反復的に動作を洗練できることがわかった。
これにより、DDMポリシーを学ぶための変換器における空間条件付けの利点がさらに明らかになる。
シミュレーションや実世界の様々な地形の物体を用いた長期平面操作タスクを実演する。
最後に,動作選択は,ロボット同士の衝突による摩耗や損傷を軽減し,現実世界の様々な軌道に沿って物体を操作する能力を維持しながら,平均誤差1.5cmを実現し,ロボットを約65%減らすことにより,ロボットのメンテナンスを緩和することを示す。
関連論文リスト
- TAM: Torque Adaptation Module for Robust Motion Transfer in Manipulation [32.68351241308298]
接触に富んだダイナミックな操作では、小さな動きのずれでさえ参照動作の追跡に失敗することがある。
本稿では,学習モジュールであるTorque Adaptation Module (TAM)を紹介した。
論文 参考訳（メタデータ） (2026-06-04T14:31:54Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。
これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。
本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
論文 参考訳（メタデータ） (2024-12-27T07:34:54Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳（メタデータ） (2024-02-22T15:12:00Z) - Nonprehensile Planar Manipulation through Reinforcement Learning with
Multimodal Categorical Exploration [8.343657309038285]
強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。
分類分布を用いたマルチモーダル探索手法を提案する。
学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
論文 参考訳（メタデータ） (2023-08-04T16:55:00Z) - CLAS: Coordinating Multi-Robot Manipulation with Central Latent Action
Spaces [9.578169216444813]
本稿では,異なるエージェント間で共有される学習された潜在行動空間を通じて,マルチロボット操作を協調する手法を提案する。
シミュレーションされたマルチロボット操作タスクにおいて本手法を検証し,サンプル効率と学習性能の観点から,従来のベースラインよりも改善したことを示す。
論文 参考訳（メタデータ） (2022-11-28T23:20:47Z) - Perceiver-Actor: A Multi-Task Transformer for Robotic Manipulation [52.94101901600948]
マルチタスク6-DoF操作のための言語条件付き行動閉鎖エージェントPerActを開発した。
PerActはPerceiver Transformerを用いて言語目標とRGB-Dボクセル観測を符号化し、"次の最良のボクセル動作を検出する"ことで識別された動作を出力する。
以上の結果から,PerActは多様なテーブルトップタスクにおいて,非構造化イメージ・ツー・アクション・エージェントと3D ConvNetベースラインを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2022-09-12T17:51:05Z) - 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) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z)
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。