ロボット学習/逆動力学モデル2026/4/1arXiv:2604.17887

StableIDM: 時空間リファインメントによるマニピュレータ切断下での逆動力学モデルの安定化

StableIDM: Stabilizing Inverse Dynamics Model against Manipulator Truncation via Spatio-Temporal Refinement

ロボットの視覚観測から動作指令を予測する逆動力学モデル(IDM)が、マニピュレータが画像から切れて見える状況で性能劣化する問題に対し、空間的特徴集約と時間的平滑化を組み合わせたフレームワークを提案し、精度と実ロボット成功率を向上させた。

詳しい要約

1. どんなもの？

- 視覚観測から低レベル行動コマンドを生成する Inverse Dynamics Model (IDM) の安定化フレームワーク。 - manipulator truncation（マニピュレータの一部が画面外・遮蔽される状態）下での性能劣化を解決。 - 時空間的な特徴精錬により、部分観測下でも安定した行動予測を実現。 - embodied AI におけるデータラベリングと policy execution の基盤として機能。

2. 先行研究と比べてどこがすごい？

- 従来の IDM は manipulator truncation 下で state recovery が ill-posed となり不安定化。 - StableIDM は severe truncation 下で strict action accuracy を 12.1% 改善。 - 実機 replay で平均タスク成功率を 9.7% 向上。 - 動画生成プランのデコードで end-to-end grasp 成功率を 11.5% 向上。 - 自動 annotator として下流 VLA の実機成功率を 17.6% 向上。

3. 技術・手法の肝は？

- 3つの補完的コンポーネントを統合。 - (1) auxiliary robot-centric masking：背景 clutter を抑制。 - (2) Directional Feature Aggregation (DFA)：可視腕から推定した方向に沿って異方性特徴を抽出する geometry-aware 空間推論。 - (3) Temporal Dynamics Refinement (TDR)：運動連続性により予測を平滑化・補正。

4. どうやって有効だと検証した？

- AgiBot benchmark で severe truncation 下の strict action accuracy を評価。 - 実機 replay で平均タスク成功率を検証。 - 動画生成プランのデコードによる end-to-end grasp 成功率を評価。 - 自動 annotator として下流 VLA の実機成功率を検証。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗ケース、計算コスト、他データセットへの汎化性についての議論は記載なし。

6. 次に読むべき論文は？

- AgiBot benchmark 関連の研究。 - VLA (Vision-Language-Action) モデル関連の研究。 - Inverse Dynamics Model (IDM) の先行研究。 - 動画生成プランからの行動デコードに関する研究。

※ 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: Kerui Li, Zhe Jing, Xiaofeng Wang, Zheng Zhu, Yukun Zhou, Guan Huang, Dongze Li, Qingkai Yang, Huaibo Huang

分類: cs.RO

原文アブストラクト

Inverse Dynamics Models (IDMs) map visual observations to low-level action commands, serving as central components for data labeling and policy execution in embodied AI. However, their performance degrades severely under manipulator truncation, a common failure mode that makes state recovery ill-posed and leads to unstable control. We present StableIDM, a spatio-temporal framework that refines features from visual inputs to stabilize action predictions under such partial observability. StableIDM integrates three complementary components: (1) auxiliary robot-centric masking to suppress background clutter, (2) Directional Feature Aggregation (DFA) for geometry-aware spatial reasoning, which extracts anisotropic features along directions inferred from the visible arm and (3) Temporal Dynamics Refinement (TDR) to smooth and correct predictions via motion continuity. Extensive evaluations validate our approach: StableIDM improves strict action accuracy by 12.1% under severe truncation on the AgiBot benchmark, and increases average task success by 9.7% in real-robot replay. Moreover, it boosts end-to-end grasp success by 11.5% when decoding video-generated plans, and improves downstream VLA real-robot success by 17.6% when functioning as an automatic annotator. These results demonstrate that StableIDM provides a robust and scalable backbone for both policy execution and data generation in embodied artificial intelligence.

arXivで原文を読む →arXiv概要ページ

← 論文一覧