論文の概要: BrickCraft-Duo: Efficient Dual-Arm Skill Learning and Refinement for Compositional Long-Horizon Assembly
- arxiv url: http://arxiv.org/abs/2609.28281v1
- Date: Wed, 23 Sep 2026 15:32:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.096769
- Title: BrickCraft-Duo: Efficient Dual-Arm Skill Learning and Refinement for Compositional Long-Horizon Assembly
- Title（参考訳）: BrickCraft-Duo: 構成長軸組立のための効率の良いデュアルアームスキル学習とリファインメント
- Abstract要約: BrickCraft-Duoは、インターロックブロックの長距離デュアルアーム協調組み立てのためのモジュラーフレームワークである。
多様なデモンストレーションから、再利用可能なシングルアームとデュアルアームのアセンブリスキルを学ぶ。
システムは5つの現実の組立タスクにおいて、少なくとも60%の長期的成功率と少なくとも95%の段階的な完成率を達成する。
- 参考スコア（独自算出の注目度）: 20.823340529571983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interlocking brick assembly provides a representative testbed for evaluating real-world robotic manipulation capabilities, where diverse structural designs, complex inter-step dependencies, intricate mechanical interactions and tight insertion tolerances pose substantial challenges. We present BrickCraft-Duo, a modular framework for long-horizon dual-arm collaborative assembly of interlocking bricks through data-efficient skill learning and composition. BrickCraft-Duo learns reusable single- and dual-arm assembly skills from diverse demonstrations, with bilateral symmetry alignment facilitating skill sharing across symmetric arms and assembly--support role assignments. Guided by stability-aware assembly reasoning, BrickCraft-Duo composes heterogeneous skills to achieve autonomous long-horizon execution, and further integrates human-in-the-loop correction for targeted skill refinement. The resulting system achieves long-horizon success rates of at least 60% and step-level completion rates of at least 95% across five real-world assembly tasks involving partially supported configurations, with horizons of up to nine steps. Project website: https://jichuan-yu.github.io/BrickCraft-Duo.
- Abstract（参考訳）: インターロックブロックアセンブリは、さまざまな構造設計、複雑なステップ間の依存関係、複雑な機械的相互作用、厳密な挿入耐性など、現実世界のロボット操作能力を評価するための代表的なテストベッドを提供する。
本稿では,BrickCraft-Duoについて紹介する。BrickCraft-Duoは,データ効率のスキル学習と構成を通じて,ブロックを相互に連動させる,長距離デュアルアーム協調組立のためのモジュラーフレームワークである。
BrickCraft-Duoは、多種多様なデモンストレーションから再利用可能なシングルアームとダブルアームの組立スキルを学び、左右対称のアライメントにより、対称なアーム間のスキル共有と組立支援の役割割り当てを容易にする。
BrickCraft-Duoは、安定性に配慮したアセンブリ推論によって、自律的な長距離実行を実現するために異種スキルを構成し、さらに、目標とするスキルの洗練のために、ループ内修正を統合する。
得られたシステムは、少なくとも60%の長期成功率と少なくとも95%のステップレベルの完成率を、部分的にサポートされた構成を含む5つの現実の組立タスクに対して達成し、最大9ステップの地平線を有する。
プロジェクトサイト: https://jichuan-yu.github.io/BrickCraft-Duo.com
関連論文リスト
- Generative Skill Composition for LLM Agents [58.47191648555256]
LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。
スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。
本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
論文 参考訳（メタデータ） (2026-06-30T17:53:09Z) - SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。
現在の技術構築手法は、問題を一発抽出として扱う。
本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文 参考訳（メタデータ） (2026-06-04T12:16:08Z) - Brick-Composer: Using MLLMs for Assembly with Diverse Bricks [64.5380622477211]
ブロック組立に必要な視覚的接地と空間的推論能力を有する多モーダル大言語モデル(MLLM)について検討した。
BC-Benchは,多様なブロックを持つアセンブリ上でMLLMを評価するための最初のベンチマークである。
Brick-ComposerはMLLMに3つの補完信号による組立スキルを組み込む学習フレームワークである。
論文 参考訳（メタデータ） (2026-06-03T21:08:06Z) - BrickCraft: Visuomotor Skill Composition with Situated Manual Guidance for Long-Horizon Interlocking Brick Assembly [13.976436316430911]
ブリッククラフト(BrickCraft)は、長い水平および一般化可能なブロック組立用に設計された合成フレームワークである。
ハイレベルなアセンブリ計画と、位置するマニュアルによる物理的な実行のギャップを埋める。
ブリッククラフトは、目に見えない構造に強い構成的一般化を示す。
論文 参考訳（メタデータ） (2026-05-08T11:30:25Z) - Tree Learning: A Multi-Skill Continual Learning Framework for Humanoid Robots [1.282675419968047]
本稿では,ヒューマノイドロボットのためのマルチスキル連続学習フレームワークであるTree Learningを提案する。
このフレームワークはルートブランチの階層的パラメータ継承機構を採用し、分岐スキルの動作先を提供する。
スキルコンバージェンスを促進するために,タスクレベルの報酬形成戦略も提案されている。
論文 参考訳（メタデータ） (2026-04-14T15:57:27Z) - SkillVLA: Tackling Combinatorial Diversity in Dual-Arm Manipulation via Skill Reuse [13.667022926041719]
本稿では,デュアルアーム操作におけるスキル再利用を実現するためのフレームワークであるSkillVLAを提案する。
SkillVLAはスキル構成を大幅に改善し、全体的な成功率は0%から51%に向上し、協調作業や長期作業において高い性能を発揮する。
論文 参考訳（メタデータ） (2026-03-04T08:38:27Z) - Learning to Plan & Schedule with Reinforcement-Learned Bimanual Robot Skills [5.745006056037742]
我々は、この課題を統合されたスキル計画とスケジューリングの問題とみなす階層的なフレームワークを導入します。
提案手法は,GPU加速シミュレーションにおいて強化学習(Reinforcement Learning, RL)を用いて訓練された,単腕および二足歩行のプリミティブスキルのライブラリ上に構築されている。
本手法は, エンド・ツー・エンドのRL手法よりも複雑で接触性の高いタスクにおいて, 高い成功率を達成できることを実証する。
論文 参考訳（メタデータ） (2025-10-29T15:39:53Z) - MoE-Loco: Mixture of Experts for Multitask Locomotion [52.04025933292957]
脚付きロボットのマルチタスク移動のためのフレームワークであるMoE-Locoを提案する。
本手法は,四足歩行と二足歩行をサポートしながら,多様な地形を扱える1つの政策を実現する。
論文 参考訳（メタデータ） (2025-03-11T15:53:54Z) - Generalize by Touching: Tactile Ensemble Skill Transfer for Robotic Furniture Assembly [24.161856591498825]
TEST(Tactile Ensemble Skill Transfer)は、制御ループに触覚フィードバックを組み込んだオフライン強化学習(RL)アプローチのパイオニアである。
TESTの中核となる設計は、高度計画のためのスキル移行モデルと、適応的なスキル内目標達成ポリシーのセットを学ぶことである。
その結果, TESTは90%以上の成功率を達成でき, 一般化政策の4倍以上の効率であることがわかった。
論文 参考訳（メタデータ） (2024-04-26T20:27:10Z) - Combining Modular Skills in Multitask Learning [149.8001096811708]
モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。
この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。
ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
論文 参考訳（メタデータ） (2022-02-28T16:07:19Z)
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。