論文の概要: Learning Functional Specialisation for Bimanual Robotic Control
- arxiv url: http://arxiv.org/abs/2610.33947v2
- Date: Thu, 29 Oct 2026 01:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.49077
- Title: Learning Functional Specialisation for Bimanual Robotic Control
- Title（参考訳）: 双方向ロボット制御のための機能特化学習
- Abstract要約: 双方向ロボット制御には、異なる機能要求を同時に管理する必要がある。
モジュール型コントローラと両腕で学習責任を組織化する方法について検討する。
- 参考スコア（独自算出の注目度）: 2.9376172882151366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bimanual robotic control requires simultaneous management of distinct functional demands under motor noise, energetic costs, and communication delays. We investigate how learning responsibility should be organised across modular controllers and the two arms in a simulated musculoskeletal system with two communicating recurrent controllers. Using a 2 x 2 design, we compare differential versus shared controller objectives and fixed versus balanced hand-task assignments. Task-aligned functional specialisation was strongest when differential objectives were combined with a fixed assignment aligned with contralateral control routing. This condition achieved the highest canonical-task performance and control efficiency, reaching 81.33% bimanual success. Its advantage over shared objectives increased with motor noise but narrowed under stronger energy penalties. Stronger specialisation also reduced hand-role flexibility: reversing the hand roles decreased bimanual success by 80.46 percentage points under Differential-Fixed training, compared with 1.51 percentage points under Shared-Balanced training. These results show that controller objectives and hand-task experience jointly determine functional organisation. Stronger role-specific specialisation favours performance and efficiency when roles remain stable, whereas more distributed training favours interchangeability when roles change.
- Abstract（参考訳）: 双方向ロボット制御は、モーターノイズ、エネルギーコスト、通信遅延といった異なる機能要求を同時に管理する必要がある。
筋骨格を模擬した筋骨格系において,モジュール型コントローラと両腕にまたがって学習責任を組織化する方法について検討した。
2 × 2 の設計を用いて、差分と共有コントローラの目的、固定とバランスの取れたハンドタスクの割り当てを比較した。
タスク整列機能専門化は, 対向制御経路に整列した固定配置と差分目的を組み合わせた場合に最強であった。
この状態は最高水準の標準タスク性能と制御効率を達成し、81.33%の双対的な成功を収めた。
共有目的に対する優位性は、モータノイズによって増大するが、より強いエネルギーペナルティの下で狭まる。
より強い専門化により、手指の柔軟性も低下し、手指の役割を逆転させることで、差分訓練では80.46ポイント、共有訓練では1.51ポイントに低下した。
これらの結果から, コントロール目標とハンドタスク体験が協調して機能的組織を決定することが示唆された。
より強い役割特化は、役割が安定している場合のパフォーマンスと効率を好み、より分散トレーニングは役割が変化するときの交換性を好む。
関連論文リスト
- Learning Self-Orchestration in Decentralized Agent Swarms [69.26948968415893]
市場ベースのポストトレーニング(MPT)は、分散エージェント群におけるアクションポリシーと自己組織化を共同で学習するためのフレームワークである。
行動と入札行動の両方を学ぶことで、個々の能力と参加パターンが一緒に適応できます。
MPTは分散エージェントSwarmの再利用、スケーリング、堅牢性をサポートする。
論文 参考訳（メタデータ） (2026-10-15T17:51:57Z) - Learning to Steer LLM Agents and Multi-Agent Systems [83.21203801970277]
大規模言語モデル(LLM)ベースのエージェントとマルチエージェントシステムは、実行が広がるにつれて、全体的な目標から逸脱しがちである。
本研究では,フライ時の実行を監督し,ドリフトの発生時にシステムを軌道に戻すステアリングエージェントを提案する。
論文 参考訳（メタデータ） (2026-10-15T17:51:17Z) - CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。
タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。
主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
論文 参考訳（メタデータ） (2026-03-10T07:28:41Z) - UV-M3TL: A Unified and Versatile Multimodal Multi-Task Learning Framework for Assistive Driving Perception [71.19234323863314]
運転者の行動、運転者の感情、車両の行動、交通状況を同時に認識する枠組みを提案する。
本フレームワークは,デュアルブランチ空間チャネルのマルチモーダル埋め込みと適応的特徴分離型マルチタスク損失の2つのコアコンポーネントを組み込んでいる。
提案手法をAIDEデータセット上で評価し,UV-M3TLが4つのタスクすべてにおいて最先端の性能を達成することを示す実験結果を得た。
論文 参考訳（メタデータ） (2026-02-02T03:35:24Z) - Learning Bimanual Manipulation via Action Chunking and Inter-Arm Coordination with Transformers [4.119006369973485]
両腕の調整と効率性、特に同期行動に重点を置いています。
協調行動を予測する新しい模倣学習アーキテクチャを提案する。
本モデルでは,比較において高い成功率を示し,両手操作のポリシー学習に適したアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-03-18T05:20:34Z) - Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。
本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。
我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
論文 参考訳（メタデータ） (2025-03-12T09:28:41Z) - Transforming Vision Transformer: Towards Efficient Multi-Task Asynchronous Learning [59.001091197106085]
Vision TransformerのためのMulti-Task Learning (MTL)は、複数のタスクを同時に処理することでモデル能力を向上させることを目的としている。
最近の研究は、Mixture-of-Experts(MoE)構造の設計とローランド適応(LoRA)によるマルチタスク学習の効率化に重点を置いている。
本稿では,事前学習した視覚変換器を効率的なマルチタスク学習器に変換することで,EMTAL(Efficient Multi-Task Learning)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2025-01-12T17:41:23Z) - Left/Right Brain, human motor control and the implications for robotics [0.5062312533373298]
本研究は、運動タスクの制御システムとして、二元的ニューラルネットワークアーキテクチャを探求する。
我々は,異なるタスクで観察されるような,半球の特殊化の実現を目指していた。
論文 参考訳（メタデータ） (2024-01-25T10:29:07Z)
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。