模倣学習/拡散モデル2026/5/1arXiv:2605.14598

DSSP: 全履歴符号化を備えた拡散状態空間ポリシー

DSSP: Diffusion State Space Policy with Full-History Encoding

ロボット操作のための拡散模倣学習において、履歴全体を効率的に圧縮・活用する階層的コンディショニング手法を提案し、シミュレーションと実機で高い性能を達成した。

詳しい要約

1. どんなもの？

- ロボットマニピュレーションのための新しい模倣学習ポリシー「DSSP」を提案。 - 完全な履歴（full-history）を条件付けするDiffusion State Space Policy。 - State Space Model (SSM) を活用し、観測ストリーム全体をコンパクトなコンテキスト表現に圧縮。 - そのコンテキストと直近の状態観測を階層的に融合して行動生成を行う。 - 拡散バックボーン自体もSSMで構成し、GPUメモリオーバーヘッドを抑制。

2. 先行研究と比べてどこがすごい？

- 既存の拡散ベース模倣学習は、現在の観測または短いウィンドウの観測のみを条件とすることが多く、長期的タスクにおける履歴依存の曖昧性を解消できなかった。 - DSSPは完全な履歴を効率的に条件付けすることで、この問題に対処。 - シミュレーションベンチマークと実世界タスクで、より小さなモデルサイズでstate-of-the-art性能を達成。 - 履歴長が増加するにつれて、階層的条件付けが重要情報を捉える優れた効率性を示す。

3. 技術・手法の肝は？

- State Space Models (SSMs) の連続系列モデリング特性を利用した履歴エンコーダ。 - 履歴エンコーダは全観測ストリームをコンパクトなコンテキスト表現に圧縮。 - 将来の状態発展に関する重要情報を保持するため、dynamics-aware補助訓練目的でエンコーダを最適化。 - 高レベルコンテキスト表現を直近の状態観測と融合し、行動生成のための階層的条件付けメカニズムを形成。 - 拡散バックボーンもSSMでインスタンス化し、アーキテクチャの一貫性とGPUメモリオーバーヘッドの最小化を図る。

4. どうやって有効だと検証した？

- シミュレーションベンチマークおよび実世界のマニピュレーションタスクで広範な実験を実施。 - DSSPがより小さなモデルサイズでstate-of-the-art性能を達成することを示した。 - 履歴長が増加するにつれて、階層的条件付けが重要情報を捉える優れた効率性を実証。

5. 議論はある？

- 要旨からは、具体的な議論や限界についての記述は不明。 - ただし、履歴長増加に対する効率性やモデルサイズの小ささが強調されている。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Diffusion Policy、State Space Models (SSMs)、Imitation Learning、History-conditioned Policies などが挙げられる。 - 同分野の定番として、Behavior Cloning、Transformer-based Policies なども次に読むべき候補。

※ 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: Zhiyuan Guan, Jianshu Hu, Han Fang, Yunpeng Jiang, Yize Huang, Shujia Li, Xiao Li, Yutong Ban

分類: cs.RO

原文アブストラクト

Diffusion-based imitation learning has shown strong promise for robot manipulation. However, most existing policies condition only on the current observation or a short window of recent observations, limiting their ability to resolve history-dependent ambiguities in long-horizon tasks. To address this, we introduce DSSP, a history-conditioned Diffusion State Space Policy that enables efficient, full-history conditioning for robot manipulation. Leveraging the continuous sequence modeling properties of State Space Models (SSMs), our history encoder effectively compresses the entire observation stream into a compact context representation. To ensure this context preserves critical information regarding future state evolution, the encoder is optimized with a dynamics-aware auxiliary training objective. This high-level context representation is then seamlessly fused with recent state observations to form a hierarchical conditioning mechanism for action generation. Furthermore, to maintain architectural consistency and minimize GPU memory overhead, we also instantiate the diffusion backbone itself using an SSM. Extensive experiments across simulation benchmarks and real-world manipulation tasks show that DSSP achieves state-of-the-art performance with a significantly smaller model size, demonstrating superior efficiency of the hierarchical conditioning in capturing crucial information as the history length increases.

arXivで原文を読む →arXiv概要ページ

← 論文一覧