日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2511.09141

RGMP: 汎化可能なヒューマノイドロボット操作のための再帰的幾何事前マルチモーダルポリシー

RGMP: Recurrent Geometric-prior Multimodal Policy for Generalizable Humanoid Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語モデルに幾何学的な事前知識を組み込み、ガウス過程でロボットと対象物の関係を再帰的に符号化することで、少ないデータで未知環境にも汎化するヒューマノイド操作を実現した。

詳しい要約

1. どんなもの?

- ヒューマノイドロボットの汎化可能な操作のための end-to-end フレームワーク「RGMP (Recurrent Geometric-prior Multimodal Policy)」 - geometric-semantic な skill 推論と data-efficient な visuomotor control を統合 - 知覚側: Geometric-prior Skill Selector が VLM に幾何的 inductive bias を注入し、未見シーン向けの適応的 skill 系列を生成 - 運動生成側: Adaptive Recursive Gaussian Network が robot-object 相互作用を Gaussian process の階層で表現し、疎なデモから器用な動作を合成 - ヒューマノイドロボットとデスクトップ dual-arm ロボットの両方で評価

2. 先行研究と比べてどこがすごい?

- 従来の data-driven 手法は大量の訓練データを要し、未見シーンでの geometric reasoning を軽視、robot-target 関係のモデリングも非効率で訓練資源を浪費 - RGMP は geometric inductive bias と recursive Gaussian 表現により、data efficiency を大幅に改善 - 最先端モデル比で 5x の data efficiency - 汎化テストで 87% のタスク成功率 - 幾何・意味の推論と visuomotor control を単一の end-to-end 枠組みで統合した点が新規

3. 技術・手法の肝は?

- Geometric-prior Skill Selector - VLM に geometric inductive bias を注入 - 最小限の spatial common sense tuning で未見シーン向け skill 系列を適応生成 - Adaptive Recursive Gaussian Network - robot-object 相互作用をコンパクトな Gaussian process 階層としてパラメータ化 - 多スケールの空間関係を再帰的に符号化 - 疎なデモから data-efficient に dexterous motion を合成 - 全体は end-to-end の Recurrent 構造で知覚と運動生成を統合

4. どうやって有効だと検証した?

- ヒューマノイドロボットとデスクトップ dual-arm ロボットの両方で評価 - 汎化テストで 87% のタスク成功率を達成 - 最先端モデルと比較して 5x の data efficiency を示す - 詳細な実験設定・ベースライン名・データセット名は要旨からは不明

5. 議論はある?

- 幾何・意味推論と recursive Gaussian 適応により cross-domain generalization が向上すると主張 - data-driven 手法の訓練資源浪費や未見シーンでの幾何推論欠如への対処を強調 - 限界・失敗事例・計算コスト・実機展開上の課題についての具体的議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で比較対象として明示された state-of-the-art model の論文(具体名は要旨からは不明) - Vision Language Model (VLM) を用いたロボット操作の代表的研究 - Gaussian process を用いた模倣学習・運動生成の関連研究 - ヒューマノイドロボットの visuomotor policy learning に関する代表的先行研究

※ 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: Xuetao Li, Wenke Huang, Nengyuan Pan, Kaiyan Zhao, Songhua Yang, Yiming Wang, Mengde Li, Mang Ye, Jifeng Xuan, Miao Li

分類: cs.RO

原文アブストラクト

Humanoid robots exhibit significant potential in executing diverse human-level skills. However, current research predominantly relies on data-driven approaches that necessitate extensive training datasets to achieve robust multimodal decision-making capabilities and generalizable visuomotor control. These methods raise concerns due to the neglect of geometric reasoning in unseen scenarios and the inefficient modeling of robot-target relationships within the training data, resulting in significant waste of training resources. To address these limitations, we present the Recurrent Geometric-prior Multimodal Policy (RGMP), an end-to-end framework that unifies geometric-semantic skill reasoning with data-efficient visuomotor control. For perception capabilities, we propose the Geometric-prior Skill Selector, which infuses geometric inductive biases into a vision language model, producing adaptive skill sequences for unseen scenes with minimal spatial common sense tuning. To achieve data-efficient robotic motion synthesis, we introduce the Adaptive Recursive Gaussian Network, which parameterizes robot-object interactions as a compact hierarchy of Gaussian processes that recursively encode multi-scale spatial relationships, yielding dexterous, data-efficient motion synthesis even from sparse demonstrations. Evaluated on both our humanoid robot and desktop dual-arm robot, the RGMP framework achieves 87% task success in generalization tests and exhibits 5x greater data efficiency than the state-of-the-art model. This performance underscores its superior cross-domain generalization, enabled by geometric-semantic reasoning and recursive-Gaussion adaptation.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI