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:2601.21926

変分正則化による情報フィルタリングでロボットマニピュレーションを改善

Information Filtering via Variational Regularization for Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

拡散ベースの視覚運動方策の中間特徴に含まれるタスク無関係なノイズを、文脈条件付きガウス分布とKL正則化による適応的情報ボトルネックで除去するプラグアンドプレイ手法を提案し、シミュレーションと実機で成功率を向上させた。

詳しい要約

1. どんなもの?

- 3D視覚表現に基づくDiffusion-based visuomotor policiesの性能向上を目的とした研究。 - 既存手法のdenoising decoderが過大で、中間特徴に冗長性やノイズが含まれる問題に着目。 - 推論時にU-Netのbackbone特徴をランダムマスクしたり、DiTの中間層をスキップすると性能が向上することを発見。 - この問題に対処するため、Variational Regularization (VR) を提案。 - VRはplug-and-playモジュールで、context-conditioned Gaussianを課しKL-divergence regularizerを適用することで適応的情報ボトルネックを形成。 - 3つのシミュレーションベンチマーク (RoboTwin2.0, Adroit, MetaWorld) と実世界実験で有効性を検証。

2. 先行研究と比べてどこがすごい?

- 従来のDiffusion-based visuomotor policiesはdenoising decoderを大きくすることで性能を向上させてきたが、冗長性やノイズが生じる問題があった。 - 本研究は、推論時のランダムマスキングや層スキップが性能を改善することを実験的に示し、中間特徴にタスク無関係なノイズが存在することを確認。 - 提案するVRは、この問題に対処するplug-and-playモジュールであり、既存のDP3-UNetやDP3-DiTに適用可能。 - 3つのシミュレーションベンチマークでベースラインを上回り、新たなstate-of-the-artを達成。 - 実世界実験でも有効性を示し、実用的な展開が可能であることを実証。

3. 技術・手法の肝は?

- Variational Regularization (VR) は、context-conditioned Gaussianをnoisy featuresに課す。 - KL-divergence regularizerを適用し、適応的情報ボトルネックを形成。 - これにより、中間特徴からタスク無関係なノイズを除去し、denoising性能を向上させる。 - plug-and-playモジュールとして設計され、既存のDiffusion-based policies (DP3-UNet, DP3-DiT) に容易に組み込める。 - 推論時のランダムマスキングや層スキップの知見を活かし、特徴の冗長性を制御。

4. どうやって有効だと検証した?

- 3つのシミュレーションベンチマーク (RoboTwin2.0, Adroit, MetaWorld) で実験。 - DP3-UNetとDP3-DiTの両方で、ベースラインと比較してタスク成功率が一貫して向上。 - 新たなstate-of-the-art結果を達成。 - 実世界実験も実施し、実用的な展開で良好な性能を確認。 - 有効性は成功率の向上とstate-of-the-art達成により検証。

5. 議論はある?

- 要旨からは、提案手法の限界や議論の詳細は不明。 - ただし、推論時のランダムマスキングや層スキップが性能を改善するという発見は、モデル容量とノイズのトレードオフに関する議論を喚起する可能性がある。 - 実世界実験の具体的な設定や課題は要旨からは不明。 - 今後の課題として、他のタスクやロボットへの汎化性、計算コストの評価などが考えられるが、要旨では言及されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: DP3-UNet, DP3-DiT, Diffusion-based visuomotor policies, 3D visual representations。 - 関連手法: U-Net, DiT, Variational Regularization, KL-divergence, information bottleneck。 - ベンチマーク: RoboTwin2.0, Adroit, MetaWorld。 - 次に読むべき論文として、これらの手法やベンチマークに関する原論文が挙げられる。

※ 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: Jinhao Zhang, Wenlong Xia, Yaojia Wang, Zhexuan Zhou, Huizhe Li, Yichen Lai, Haoming Song, Youmin Gong, Jie Mei

分類: cs.RO

原文アブストラクト

Diffusion-based visuomotor policies built on 3D visual representations have achieved strong performance in learning complex robotic skills. However, most existing methods employ an oversized denoising decoder. While increasing model capacity can improve denoising, empirical evidence suggests that it also introduces redundancy and noise in intermediate feature blocks. Crucially, we find that randomly masking backbone features in U-Net or skipping intermediate layers in DiT at inference time (without changing training) can improve performance, confirming the presence of task-irrelevant noise in intermediate features. To this end, we propose Variational Regularization (VR), a plug-and-play module that imposes a context-conditioned Gaussian over the noisy features and applies a KL-divergence regularizer, forming an adaptive information bottleneck. Extensive experiments on three simulation benchmarks, RoboTwin2.0, Adroit, and MetaWorld, show that our approach consistently improves task success rates over the baseline for both DP3-UNet and DP3-DiT, achieving new state-of-the-art results. Real-world experiments further demonstrate that our method performs well in practical deployments.

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