マニピュレーション2025/9/1arXiv:2509.14939

アフォーダンス学習と拡散ポリシーによる関節物体操作の汎化フレームワークDART

A Novel Task-Driven Diffusion-Based Policy with Affordance Learning for Generalizable Manipulation of Articulated Objects

シェア:X Threads Facebook LINE はてブ Bluesky

線形時相論理でタスク意味を理解し、アフォーダンス学習で最適な接触点を特定する拡散ベースのポリシーを提案し、関節物体の巧みな操作をカテゴリを超えて汎化させる。

詳しい要約

1. どんなもの？

- 関節物体(articulated objects)の器用な操作とカテゴリ間の汎化を目的とした枠組み DART を提案する研究。 - diffusion-based policy に affordance learning と linear temporal logic (LTL) 表現を組み合わせる。 - 学習効率と汎化性の向上を狙う。

2. 先行研究と比べてどこがすごい？

- 従来の diffusion policy は offline reinforcement learning や learning from demonstrations に依存しがちという制約がある。 - DART は interaction data に基づく最適化で行動を洗練し、この制約を克服すると主張。 - 関節物体操作とカテゴリ横断の汎化という課題に対し、affordance learning と LTL を統合する点が差分。

3. 技術・手法の肝は？

- LTL でタスクの意味論を理解する。 - affordance learning で最適な interaction points を同定する。 - diffusion-based policy がそれらの相互作用を複数カテゴリへ汎化する。 - interaction data に基づく最適化手法で行動を精緻化する。

4. どうやって有効だと検証した？

- 実験結果により、manipulation ability、generalization performance、transfer reasoning、robustness の各面で DART が既存手法の多くを上回ると報告。 - 具体的なデータセット名・評価設定は要旨からは不明。

5. 議論はある？

- 要旨からは不明(限界や失敗事例、計算コスト等の議論は記述されていない)。

6. 次に読むべき論文は？

- 比較対象として示唆されるのは diffusion policy、offline reinforcement learning、learning from demonstrations の各関連研究。 - 構成要素として linear temporal logic (LTL) と affordance learning の関連文献。 - 対象領域として articulated objects manipulation の研究。 - 個別の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: Hao Zhang, Zhen Kan, Weiwei Shang, Yongduan Song

分類: cs.RO

原文アブストラクト

Despite recent advances in dexterous manipulations, the manipulation of articulated objects and generalization across different categories remain significant challenges. To address these issues, we introduce DART, a novel framework that enhances a diffusion-based policy with affordance learning and linear temporal logic (LTL) representations to improve the learning efficiency and generalizability of articulated dexterous manipulation. Specifically, DART leverages LTL to understand task semantics and affordance learning to identify optimal interaction points. The {diffusion-based policy} then generalizes these interactions across various categories. Additionally, we exploit an optimization method based on interaction data to refine actions, overcoming the limitations of traditional diffusion policies that typically rely on offline reinforcement learning or learning from demonstrations. Experimental results demonstrate that DART outperforms most existing methods in manipulation ability, generalization performance, transfer reasoning, and robustness. For more information, visit our project website at: https://sites.google.com/view/dart0257/.

arXivで原文を読む →arXiv概要ページ

アフォーダンス学習と拡散ポリシーによる関節物体操作の汎化フレームワークDART

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

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell