日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2509.01746

Fail2Progress: 実世界のロボット失敗からシュタイン変分推論で学ぶ

Fail2Progress: Learning from Real-World Robot Failures with Stein Variational Inference

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの失敗に似たシミュレーション環境をシュタイン変分推論で並列生成し、スキル効果モデルを微調整することで失敗からの回復と再発防止を実現する手法を提案。

詳しい要約

1. どんなもの?

- 長期的な manipulation タスクにおける skill effect model の失敗に着目し、失敗から学習する手法 Fail2Progress を提案。 - 観察された失敗に類似したデータを効率的に生成するため、Stein variational inference を用いて複数の simulation 環境を並列生成。 - 生成データで skill effect model を fine-tuning し、失敗からの回復と将来の失敗最小化を目指す。 - 複数物体の運搬、制約付き shelf の整理、テーブル上の整理などの mobile manipulation タスクに適用。

2. 先行研究と比べてどこがすごい?

- 従来の skill effect model は訓練データ分布外の条件で失敗しやすい問題があった。 - 失敗から学習する枠組みを提案し、観察された失敗にターゲットしたデータセットを効率的に生成。 - 大規模 simulation と実世界実験で、異なる物体数でも失敗から学習できることを示し、複数の baseline を上回る性能を達成。 - 具体的な baseline 名は要旨からは不明。

3. 技術・手法の肝は?

- Stein variational inference を活用し、複数の simulation 環境を並列に生成。 - これにより、観察された失敗に類似したデータサンプルを効率的に生成。 - 生成したデータセットで skill effect model を fine-tuning し、失敗回復能力を向上。 - 長期的 manipulation タスクにおける失敗推論と学習を可能にする。

4. どうやって有効だと検証した?

- 大規模 simulation と実世界実験を実施。 - 異なる物体数に対して失敗から学習する能力を評価。 - Fail2Progress が複数の baseline より優れることを示した。 - 具体的な評価指標やタスク成功率などの詳細は要旨からは不明。

5. 議論はある?

- 要旨からは不明。 - ただし、失敗からの学習効率や実世界への適用可能性について議論があると推測されるが、具体的な議論内容は要旨に記載なし。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として Stein variational inference や skill effect model の原論文、および mobile manipulation における failure recovery の研究が次に読むべき候補。 - 具体的な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: Yixuan Huang, Novella Alvina, Mohanraj Devendran Shanthi, Tucker Hermans

分類: cs.RO

原文アブストラクト

Skill effect models for long-horizon manipulation tasks are prone to failures in conditions not covered by training data distributions. Therefore, enabling robots to reason about and learn from failures is necessary. We investigate the problem of efficiently generating a dataset targeted to observed failures. After fine-tuning a skill effect model on this dataset, we evaluate the extent to which the model can recover from failures and minimize future failures. We propose Fail2Progress, an approach that leverages Stein variational inference to generate multiple simulation environments in parallel, enabling efficient data sample generation similar to observed failures. Our method is capable of handling several challenging mobile manipulation tasks, including transporting multiple objects, organizing a constrained shelf, and tabletop organization. Through large-scale simulation and real-world experiments, we demonstrate that our approach excels at learning from failures across different numbers of objects. Furthermore, we show that Fail2Progress outperforms several baselines.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI