論文の概要: JAMB: Joint Action-Motion Diffusion for Bimanual Manipulation
- arxiv url: http://arxiv.org/abs/2609.25322v1
- Date: Mon, 21 Sep 2026 19:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.088216
- Title: JAMB: Joint Action-Motion Diffusion for Bimanual Manipulation
- Title（参考訳）: JAMB:双方向マニピュレーションのための関節動作拡散
- Abstract要約: 両腕の動きは共有された3Dシーンを変更でき、それによってもう一方の腕に影響を及ぼす。
ほとんどの拡散ポリシーは、将来の結果を明示的にモデル化せずにアクションを生成する。
行動と追跡を同時に行うことで、各人は妄想全体を通して情報を伝え、洗練することができる。
我々は,Robonono 2.0における多種多様な双方向操作タスクと実世界のロボットについて評価した。
- 参考スコア（独自算出の注目度）: 11.606498014597731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coordinated bimanual manipulation is challenging because the motion of either arm can alter the shared 3D scene and thereby affect the other arm. Yet most diffusion policies generate actions without explicitly modeling these future geometric consequences, while predictive variants typically use future state only as auxiliary supervision or fixed conditioning. We address this limitation by proposing JAMB, a diffusion policy that jointly denoises bimanual actions and future 3D point tracks. By allowing action and track hypotheses to evolve together within a shared Transformer, each can inform and refine the other throughout denoising. We further ground multimodal representations in a shared spatiotemporal coordinate system to facilitate geometry-aware interaction during joint denoising. We evaluate JAMB on diverse bimanual manipulation tasks in RoboTwin 2.0 and on a real-world robot, comparing it with action-only policies and alternative future-prediction approaches spanning different state representations and learning objectives. Across 16 simulation tasks, JAMB achieves an average success rate of 83.4%, outperforming the strongest baseline by 23.9 percentage points. On three real-world tasks, it outperforms the action-only and auxiliary geometry prediction methods by 50.0 and 21.2 percentage points, respectively. Beyond these performance gains, JAMB shows stronger generalization to cluttered scenes and out-of-distribution backgrounds than the evaluated baselines. Together, these results demonstrate the effectiveness of our joint action-motion modeling framework for coordinated bimanual manipulation. Our project website is available at https://jam-bimanual.github.io/
- Abstract（参考訳）: 両腕の動きが共有された3Dシーンを変更できるため、両腕の協調操作は困難である。
しかし、ほとんどの拡散政策は、これらの将来の幾何学的結果を明示的にモデル化せずにアクションを生成するが、予測的変種は一般的に、補助的な監督や固定条件付けとしてのみ将来の状態を使用する。
この制限に対処するために、双方向動作と将来の3Dポイントトラックを両立させる拡散政策であるJAMBを提案する。
行動と仮説を共有トランスフォーマー内で一緒に進化させることで、それぞれが認知を通してお互いを通知し、洗練することができる。
さらに,共有時空間座標系におけるマルチモーダル表現を基礎にして,関節脱調時の幾何学的・認識的相互作用を容易にする。
我々は,RoboTwin 2.0における多種多様な双方向操作タスクと実世界のロボットについて,JAMBをアクションのみのポリシーと,異なる状態表現と学習目標にまたがる代替の未来予測アプローチと比較した。
16のシミュレーションタスクで、JAMBは83.4%の平均的な成功率を達成し、最強のベースラインを23.9%上回った。
実世界の3つのタスクにおいて、アクションのみの予測法と補助幾何学の予測法をそれぞれ50.0と21.2のパーセンテージで上回っている。
これらのパフォーマンス向上に加えて、JAMBは評価されたベースラインよりも散らばったシーンやアウト・オブ・ディストリビューションの背景に対して、より強力な一般化を示している。
これらの結果から,協調動作モデリングフレームワークの有効性が示された。
プロジェクトのWebサイトはhttps://jam-bimanual.github.io/で公開されている。
関連論文リスト
- SkelWAM: A Skeleton-Guided World-Action Model for Zero-Shot Cross-Embodiment Manipulation [44.694612106068654]
本稿では,骨格誘導型世界行動モデルであるSkelWAMについて述べる。
ビデオ・アクション・ミックスの変換器は標準骨格の動作チャンクを予測し、エンボディメント固有の制約付きデコーダは関節または連続ロボット制御に変換する。
フランカの訓練を受けたSkelWAMは1000回で43.3%の成功を収め、評価ベースラインを36.2%上回った。
論文 参考訳（メタデータ） (2026-09-18T16:44:42Z) - GALA: Geometry-Aware Latent Action Modeling for Vision-Language-Action Model Pretraining across Embodiments [13.069858187347975]
GALAは、画像ベースの潜伏動作を3次元のエンドエフェクタ幾何運動で強化するGeometry-Aware Latent-Actionモデリングフレームワークである。
我々は,潜伏動作のクロス・エボディメントの一般化性を改善しつつ,微細な動き情報を保存する統一エンドエフェクタ運動表現(UEMR)を導入する。
微細な運動探索, クロスボデーメント検索, 下流VLA評価実験は, GALAがエンボディメント全体にわたる一般化可能な微粒な運動をモデル化する上で有効であることを示す。
論文 参考訳（メタデータ） (2026-09-18T16:05:03Z) - Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model [7.384043308834925]
視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。
ダイニン・ロボティクスはこの定式化をダイニン・オムニに実装し、言語、視覚的観察、ゴール、アクションを離散トークンとして表現している。
我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。
論文 参考訳（メタデータ） (2026-09-11T16:49:26Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。
本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。
RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
論文 参考訳（メタデータ） (2026-08-25T17:59:49Z) - DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。
固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。
これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
論文 参考訳（メタデータ） (2026-08-20T14:44:11Z) - Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。
幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。
動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
論文 参考訳（メタデータ） (2026-05-12T09:21:29Z) - Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。
Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。
Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
論文 参考訳（メタデータ） (2025-03-25T15:19:56Z) - 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)
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。