日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

モバイルマニピュレーションarXiv:2509.18671

N2M: ロールアウトから姿勢選好を学習しナビゲーションとマニピュレーションを橋渡し

N2M: Bridging Navigation and Manipulation by Learning Pose Preference from Rollout

シェア:XThreadsFacebookLINEはてブBluesky

マニピュレーションポリシーの実行に適したベース位置を、ポリシーのロールアウトから学習した姿勢選好に基づいて推定する手法を提案し、シーン再構成不要で高速かつ高精度にモバイルマニピュレーションを実現した。

詳しい要約

1. どんなもの?

- モバイルマニピュレーションにおける基盤位置決定問題に対し、ポリシーの選好を学習する手法 N2M を提案する研究。 - 従来の幾何学的探索ではなく、ポリシーのロールアウトから局所シーン構造に基づくポーズ選好を学習する。 - 視点拡張戦略により、データ効率良く頑健で視点不変な選好を学習する。

2. 先行研究と比べてどこがすごい?

- 従来の幾何学的探索は物理的到達可能性を優先し、学習ベースポリシーの感度を考慮しない。 - 既存のポリシー認識手法はシーン再構成の事前構築と推論の遅さが実用性の制約。 - N2M は再構成不要で高速推論を実現し、ポリシー選好をロールアウトから直接学習する点が新しい。

3. 技術・手法の肝は?

- ポリシー選好が局所シーン構造に内在するという洞察に基づき、ロールアウトから選好を学習。 - 新規の視点拡張戦略を導入し、視点不変で頑健なポーズ選好をデータ効率的に学習。 - 基盤位置決定を再定式化し、事前のシーン再構成を不要にした。

4. どうやって有効だと検証した?

- 広範な実験により、非ポリシー認識ベースラインと最近のポリシー認識代替手法を上回る最先端性能を達成。 - 適用範囲の広さ、汎化能力、データ効率に関する包括的分析を提供。

5. 議論はある?

- 要旨からは不明(具体的な議論の内容は記載されていない)。 - ただし、適用範囲・汎化・データ効率に関する分析が提供されている。

6. 次に読むべき論文は?

- 要旨で参照されている最近のポリシー認識代替手法(具体的名称は要旨からは不明)。 - 関連分野の定番として、モバイルマニピュレーションにおける基盤位置決定の幾何学的手法や、学習ベースマニピュレーションポリシー(例: Diffusion Policy など)が挙げられる。

※ 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: Kaixin Chai, Hyunjun Lee, Joseph J. Lim

分類: cs.RO

原文アブストラクト

Determining where to execute the manipulation policy is a fundamental challenge in mobile manipulation. Most approaches have formulated this as a geometric search problem, prioritizing physical reachability. However, given the high sensitivity of modern learning-based manipulation policies, geometric criteria alone are insufficient. Optimal performance requires base positioning that is aware of the policy's preference. While recent works have attempted to address this, they remain limited in practicality due to reliance on pre-built scene reconstruction and slow inference. In this work, we introduce N2M that systematically reformulates the approach to base positioning problem, naturally overcoming limitations of previous methods. Our key insight is that policy preferences are inherent to the local scene structure and can be effectively learned from the policy rollouts. Technically, we propose a novel viewpoint augmentation strategy that enables the model to learn robust, viewpoint-invariant pose preferences with remarkable data efficiency. Extensive experiments demonstrate that N2M achieves state-of-the-art performance, outperforming both non-policy-aware baselines and recent policy-aware alternatives. Furthermore, we provide a comprehensive analysis highlighting N2M's broad applicability, generalization capabilities, and data efficiency. Project website: https://clvrai.github.io/N2M/

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. 2newmo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
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI