バイマニュアル操作2026/5/1arXiv:2605.13452

CUBic: 協調型統一バイマニュアル知覚・制御フレームワーク

CUBic: Coordinated Unified Bimanual Perception and Control Framework

両腕ロボットの操作を統一的な知覚モデリング問題として捉え、共有トークン表現と拡散ポリシーにより腕の独立性と協調を構造的に実現するフレームワークを提案した。

詳しい要約

1. どんなもの？

- 両腕マニピュレーションのための視覚運動ポリシー学習フレームワーク CUBic を提案。 - 両腕の協調を統一的な知覚モデリング問題として再定式化。 - 知覚と制御を橋渡しする共有 tokenized representation を学習。 - 独立性と協調性は手作り結合ではなく構造から内在的に創発。 - 3要素: 単方向知覚集約、双方向知覚協調(共有マッピング付き2 codebook)、統合知覚-制御 diffusion policy。

2. 先行研究と比べてどこがすごい？

- 既存手法は片側に偏る: 干渉回避のため両腕を分離するか、協調のため強い cross-arm coupling を強制。 - そのため統一的な扱いを欠く。 - CUBic は統一フレームワークで両腕の独立知覚と協調相互作用を同時に扱う。 - RoboTwin benchmark で標準ベースラインを一貫して上回り、協調精度とタスク成功率を改善。

3. 技術・手法の肝は？

- 両腕協調を統一的な知覚モデリング問題として再定式化。 - 知覚と制御を橋渡しする共有 tokenized representation を学習。 - 単方向知覚集約を統合。 - 共有マッピング付き2 codebook による双方向知覚協調を統合。 - 統合知覚-制御 diffusion policy を統合。 - 独立性と協調性は構造から内在的に創発。

4. どうやって有効だと検証した？

- RoboTwin benchmark で広範な実験を実施。 - CUBic は標準ベースラインを一貫して上回る。 - 協調精度とタスク成功率で state-of-the-art visuomotor baselines を顕著に改善。

5. 議論はある？

- 要旨からは不明。 - 限界、失敗事例、計算コスト、codebook 設計の感度などは記述なし。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: 単腕から両腕への end-to-end visuomotor policy learning、両腕を分離する手法、cross-arm coupling を強制する手法、state-of-the-art visuomotor baselines、RoboTwin benchmark。 - 関連手法: diffusion policy、tokenized representation、codebook ベース表現学習。

※ 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: Xingyu Wang, Pengxiang Ding, Jingkai Xu, Donglin Wang, Zhaoxin Fan

分類: cs.RO, cs.AI

原文アブストラクト

Recent advances in visuomotor policy learning have enabled robots to perform control directly from visual inputs. Yet, extending such end-to-end learning from single-arm to bimanual manipulation remains challenging due to the need for both independent perception and coordinated interaction between arms. Existing methods typically favor one side -- either decoupling the two arms to avoid interference or enforcing strong cross-arm coupling for coordination -- thus lacking a unified treatment. We propose CUBic, a Coordinated and Unified framework for Bimanual perception and control that reformulates bimanual coordination as a unified perceptual modeling problem. CUBic learns a shared tokenized representation bridging perception and control, where independence and coordination emerge intrinsically from structure rather than from hand-crafted coupling. Our approach integrates three components: unidirectional perception aggregation, bidirectional perception coordination through two codebooks with shared mapping, and a unified perception-to-control diffusion policy. Extensive experiments on the RoboTwin benchmark show that CUBic consistently surpasses standard baselines, achieving marked improvements in coordination accuracy and task success rates over state-of-the-art visuomotor baselines.

arXivで原文を読む →arXiv概要ページ

← 論文一覧