日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
マニピュレーションarXiv:2602.13086

UniManip: エージェント型操作グラフによる汎用ゼロショットロボットマニピュレーション

UniManip: General-Purpose Zero-Shot Robotic Manipulation with Agentic Operational Graph

シェア:XThreadsFacebookLINEはてブBluesky

意味推論と物理制御を二層のエージェント型操作グラフで統合し、未知の物体やタスクにもゼロショットで対応できる汎用マニピュレーション手法を提案。

詳しい要約

1. どんなもの？

- 汎用ロボットマニピュレーションを目指すフレームワーク UniManip の提案。 - 高レベルな意味意図と低レベルな物理相互作用を橋渡しする。 - Bi-level Agentic Operational Graph (AOG) に基づく。 - 高レベル Agentic Layer と低レベル Scene Layer を結合。 - ゼロショット実行を可能にする動的エージェントループ。

2. 先行研究と比べてどこがすごい？

- 既存の end-to-end Vision-Language-Action (VLA) モデルは長期的タスクの精度が不足。 - 従来の階層型プランナはオープンワールド変化に意味的硬直性がある。 - UniManip は未見物体・タスクで VLA 比 22.5%、階層型ベースライン比 25.0% 高い成功率。 - 固定ベースから移動マニピュレーションへのゼロショット転移を微調整なしで実現。

3. 技術・手法の肝は？

- Bi-level Agentic Operational Graph (AOG) で意味推論と物理接地を統合。 - 高レベル Agentic Layer がタスクオーケストレーションを担当。 - 低レベル Scene Layer が動的状態表現を担当。 - 非構造化知覚から object-centric scene graph を能動的に生成。 - 安全考慮の local planner で衝突のない軌道にパラメータ化。 - 構造化メモリで実行失敗を自律診断・回復。

4. どうやって有効だと検証した？

- 未見物体・タスクでのゼロショット能力を広範な実験で検証。 - VLA ベースライン比 22.5% 高い成功率を報告。 - 階層型ベースライン比 25.0% 高い成功率を報告。 - 固定ベースから移動マニピュレーションへの直接ゼロショット転移を実証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Vision-Language-Action (VLA) モデル - 階層型プランナ (hierarchical planner) - object-centric scene graph - local planner - 移動マニピュレーション (mobile manipulation)

※ 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: Haichao Liu, Yuanjiang Xue, Yuheng Zhou, Haoyuan Deng, Yinan Liang, Lihua Xie, Ziwei Wang

分類: cs.RO

原文アブストラクト

Achieving general-purpose robotic manipulation requires robots to seamlessly bridge high-level semantic intent with low-level physical interaction in unstructured environments. However, existing approaches falter in zero-shot generalization: end-to-end Vision-Language-Action (VLA) models often lack the precision required for long-horizon tasks, while traditional hierarchical planners suffer from semantic rigidity when facing open-world variations. To address this, we present UniManip, a framework grounded in a Bi-level Agentic Operational Graph (AOG) that unifies semantic reasoning and physical grounding. By coupling a high-level Agentic Layer for task orchestration with a low-level Scene Layer for dynamic state representation, the system continuously aligns abstract planning with geometric constraints, enabling robust zero-shot execution. Unlike static pipelines, UniManip operates as a dynamic agentic loop: it actively instantiates object-centric scene graphs from unstructured perception, parameterizes these representations into collision-free trajectories via a safety-aware local planner, and exploits structured memory to autonomously diagnose and recover from execution failures. Extensive experiments validate the system's robust zero-shot capability on unseen objects and tasks, demonstrating a 22.5% and 25.0% higher success rate compared to state-of-the-art VLA and hierarchical baselines, respectively. Notably, the system enables direct zero-shot transfer from fixed-base setups to mobile manipulation without fine-tuning or reconfiguration. Our open-source project page can be found at https://henryhcliu.github.io/unimanip.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  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
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →