マニピュレーション2025/6/1arXiv:2506.19269

AnchorDP3: 3Dアフォーダンス誘導スパース拡散ポリシーによるロボットマニピュレーション

AnchorDP3: 3D Affordance Guided Sparse Diffusion Policy for Robotic Manipulation

3Dアフォーダンスを活用したスパースなキーポーズ拡散ポリシーを提案し、双腕マニピュレーションのランダム環境下で98.7%の成功率を達成した。

詳しい要約

1. どんなもの？

- 双腕ロボット操作のための diffusion policy フレームワーク AnchorDP3 を提案 - 高度にランダム化された環境での性能向上を狙う - 3つの革新: Simulator-Supervised Semantic Segmentation、Task-Conditioned Feature Encoders、Affordance-Anchored Keypose Diffusion with Full State Supervision - 大規模な手続き生成シミュレーションデータで学習 - RoboTwin benchmark で平均成功率 98.7% を達成

2. 先行研究と比べてどこがすごい？

- 従来の密な軌道予測ではなく、affordance に直接アンカーした疎な keypose で予測空間を大幅に簡素化 - レンダリングされた ground truth を用いた Simulator-Supervised Semantic Segmentation で強い affordance prior を付与 - Task-Conditioned Feature Encoders と共有 diffusion-based action expert により効率的なマルチタスク学習を実現 - 関節角と end-effector pose を同時予測し幾何学的整合性を活用 - 具体的な比較対象論文は要旨からは不明

3. 技術・手法の肝は？

- Simulator-Supervised Semantic Segmentation: レンダリング ground truth で点群中のタスク重要物体を明示的にセグメント化 - Task-Conditioned Feature Encoders: タスクごとに拡張点群を処理する軽量モジュール、共有 diffusion-based action expert と組み合わせ - Affordance-Anchored Keypose Diffusion with Full State Supervision: pre-grasp pose や grasp pose などの keypose を affordance にアンカー - action expert が robot joint angles と end-effector poses を同時予測 - 密な軌道ではなく疎で幾何学的に意味のある action anchors を予測

4. どうやって有効だと検証した？

- 大規模で手続き生成されたシミュレーションデータで学習 - RoboTwin benchmark で多様なタスクを評価 - 物体、 clutter、テーブル高さ、照明、背景の極端なランダム化下で検証 - 平均成功率 98.7% を報告 - 実機実験や real-to-sim pipeline の詳細検証は要旨からは不明

5. 議論はある？

- RoboTwin real-to-sim pipeline と統合することで、シーンと指示のみから展開可能な visuomotor policy を完全自律生成できる可能性を主張 - 人間によるデモンストレーションを学習から排除できる可能性に言及 - 限界や失敗事例、計算コスト、実機での汎化性に関する議論は要旨からは不明

6. 次に読むべき論文は？

- RoboTwin benchmark および RoboTwin real-to-sim pipeline に関する論文 - diffusion policy の代表的研究 - Simulator-Supervised Semantic Segmentation や affordance grounding に関連する研究 - keypose / action anchor を用いた模倣学習の関連研究 - 具体的な参照論文名は要旨からは不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ziyan Zhao, Ke Fan, He-Yang Xu, Ning Qiao, Bo Peng, Wenlong Gao, Dongjiang Li, Hui Shen

分類: cs.RO, cs.AI

原文アブストラクト

We present AnchorDP3, a diffusion policy framework for dual-arm robotic manipulation that achieves state-of-the-art performance in highly randomized environments. AnchorDP3 integrates three key innovations: (1) Simulator-Supervised Semantic Segmentation, using rendered ground truth to explicitly segment task-critical objects within the point cloud, which provides strong affordance priors; (2) Task-Conditioned Feature Encoders, lightweight modules processing augmented point clouds per task, enabling efficient multi-task learning through a shared diffusion-based action expert; (3) Affordance-Anchored Keypose Diffusion with Full State Supervision, replacing dense trajectory prediction with sparse, geometrically meaningful action anchors, i.e., keyposes such as pre-grasp pose, grasp pose directly anchored to affordances, drastically simplifying the prediction space; the action expert is forced to predict both robot joint angles and end-effector poses simultaneously, which exploits geometric consistency to accelerate convergence and boost accuracy. Trained on large-scale, procedurally generated simulation data, AnchorDP3 achieves a 98.7% average success rate in the RoboTwin benchmark across diverse tasks under extreme randomization of objects, clutter, table height, lighting, and backgrounds. This framework, when integrated with the RoboTwin real-to-sim pipeline, has the potential to enable fully autonomous generation of deployable visuomotor policies from only scene and instruction, totally eliminating human demonstrations from learning manipulation skills.

arXivで原文を読む →arXiv概要ページ

AnchorDP3: 3Dアフォーダンス誘導スパース拡散ポリシーによるロボットマニピュレーション

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell