論文の概要: CoRE: Learning Collaboration-Role Experts for Decentralized Collaborative Manipulation with One Policy

• arxiv url: http://arxiv.org/abs/2610.07752v1
• Date: Tue, 06 Oct 2026 04:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.803982
• Title: CoRE: Learning Collaboration-Role Experts for Decentralized Collaborative Manipulation with One Policy
• Title（参考訳）: CoRE: 分散型協調操作のための1つの方針によるコラボレーションロールエキスパートの学習
• Abstract要約: 協調的な操作は、対話が展開するにつれて、ロボットが相補的な行動を実行することを要求する。 コラボレーション・ロール・エキスパートズ(Collaboration-Role Experts)をプールされたマルチタスク、マルチロボットのデモから学習するCoREを紹介する。 CoREは評価された分散メソッドの中で最高の平均性能を達成する。
• 参考スコア（独自算出の注目度）: 8.640835924450553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative manipulation requires robots to perform complementary actions as interactions unfold. We study single-policy decentralized collaboration: every robot runs the same policy from its visual observations and proprioception, without task prompts, identity labels, or inter-robot messages. The challenge is to learn complementary team behaviors within shared parameters and select appropriate actions from each robot's local observations. We introduce CoRE, which learns Collaboration-Role Experts from pooled multi-task, multi-robot demonstrations. Fused appearance and geometry provide local interaction evidence. Query-conditioned cross-attention experts provide adaptable prediction paths, which a local router combines at each action-chunk position. During training, an action-expert alignment loss supervises expert selection using relative forced-route prediction errors against demonstrations under fixed inputs, without role labels. Across simulation benchmarks, CoRE achieves the highest average performance among evaluated decentralized methods. Physical experiments demonstrate effective collaboration across diverse manipulation tasks and robustness to partner delays and slowdowns. Project page: https://aus.bot/research/core/.
• Abstract（参考訳）: 協調的な操作は、対話が展開するにつれて、ロボットが相補的な行動を実行することを要求する。 各ロボットは、タスクプロンプト、アイデンティティラベル、ロボット間メッセージなしで、視覚的な観察と受容から同じポリシーを実行します。 課題は、共有パラメータ内で補完的なチームの振る舞いを学び、各ロボットのローカルな観察から適切なアクションを選択することである。 コラボレーション・ロール・エキスパートズ(Collaboration-Role Experts)をプールされたマルチタスク、マルチロボットのデモから学習するCoREを紹介する。 融合した外観と幾何学は、局所的な相互作用の証拠を提供する。 クエリ条件のクロスアテンションの専門家は、各アクションチャンク位置でローカルルータが結合する適応可能な予測パスを提供する。 トレーニング中、アクションエキスパートアライメント損失は、ロールラベルなしで、固定された入力下でのデモンストレーションに対する相対的な強制経路予測エラーを使用して専門家の選択を監督する。 シミュレーションベンチマークを通じて、CoREは評価された分散メソッドの中で最高の平均性能を達成する。 物理実験は、多様な操作タスクをまたいだ効果的なコラボレーションと、パートナーの遅延とスローダウンに対する堅牢性を示す。 プロジェクトページ: https://aus.bot/research/core/。

関連論文リスト

• Learning Coordinated Visuomotor Box-Pushing from Solo Demonstrations [9.495148377411587]
  遠隔操作型シングルロボットが収集したデータを用いて,大規模協調型ボックスプッシングをテストベッドとして活用できるかどうかを検討した。 特に、最大40台のロボットによる実験は、他の操作ロボットの受動的観察によってのみ効果的に協調することの難しさを強調している。
  論文  参考訳（メタデータ） (2026-10-05T01:43:15Z)
• Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena [52.33857619195848]
  本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。 精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。
  論文  参考訳（メタデータ） (2026-10-01T00:14:50Z)
• HRIBench: Benchmarking Interaction-Centric Human-Robot Collaboration [62.19372189311434]
  HRIBenchは,実行シナリオに基づいた意図認識型人間ロボットコラボレーションの診断ベンチマークである。 HRIBenchは、エージェントの役割、時間的依存、調整の制約、人間の振る舞いの分布を明示的にモデル化する構造化シナリオスクリプトとして、協調的なタスクを表現している。 その結果,現状の基盤ロボット政策は,操作能力が強いにもかかわらず,協調的な環境下では極めて困難であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-05T09:15:35Z)
• Robots that Collaborate: Sequential Asymmetric Imitation for Learning Coupled Robot Policies [8.640835924450553]
  協調的な移動操作では、ロボットが部分的に観察されたパートナーと協調する必要がある。 失敗は、しばしば誤った待ち時間、収量、引き抜き、解放、再配置から生じるため、これは難しい。 本稿では,複数ロボットの動作を同時に学習するための一括操作カリキュラムであるSequential Asymmetric Imitation (SAI)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T09:55:58Z)
• CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
  CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。 実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。 その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T17:26:08Z)
• Let's Roleplay: Examining LLM Alignment in Collaborative Dialogues [11.888786446094057]
  本稿では,多人数共同作業におけるパートナーとしての大規模言語モデルの有効性に,異なるアライメント手法がどのような影響を与えるかを検討する。 ロールプレイ手法を用いて、協調作業会話における異なる訓練された摩擦剤の介入を評価する。 以上の結果から, 摩擦認識アプローチは, 共通基盤への収束, あるいはタスク関連命題の一致, タスク結果の正当性の両方において, 共通のアライメントベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-07T00:58:10Z)
• 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)
• Simulation of robot swarms for learning communication-aware coordination [0.0]
  我々は、全能集中型コントローラから得られる局所的な観測を入力として、エンドツーエンドのニューラルネットワークを訓練する。 実験は、平面ロボットの高性能オープンソースシミュレータであるEnkiで実施されている。
  論文  参考訳（メタデータ） (2023-02-25T17:17:40Z)
• 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)
• Inferring Versatile Behavior from Demonstrations by Matching Geometric Descriptors [72.62423312645953]
  人間は直感的にタスクを多目的に解決し、軌道に基づく計画や個々のステップの行動を変化させる。 現在のImitation Learningアルゴリズムは、通常、単調な専門家によるデモンストレーションのみを考慮し、状態アクションベースの設定で行動する。 代わりに、移動プリミティブの混合と分布マッチングの目的を組み合わせることで、専門家の行動と汎用性にマッチする多目的行動を学ぶ。
  論文  参考訳（メタデータ） (2022-10-17T16:42:59Z)
• Human-in-the-Loop Imitation Learning using Remote Teleoperation [72.2847988686463]
  6-DoF操作設定に合わせたデータ収集システムを構築します。 システムによって収集された新しいデータに基づいて,ポリシーを反復的にトレーニングするアルゴリズムを開発した。 介入型システムで収集したデータに基づいて訓練されたエージェントと、非介入型デモ参加者が収集した同等数のサンプルで訓練されたアルゴリズムを上回るエージェントを実証する。
  論文  参考訳（メタデータ） (2020-12-12T05:30:35Z)

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。