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:2606.03385

把持→計画と失敗帰属：正確で汎用的なロボット操作のための閉ループ二段階フレームワーク

Grasp-Then-Plan with Failure Attribution: A Closed Two-Stage Framework for Precise and Generalizable Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

把持と動作計画の連携における失敗原因の曖昧さを解消するため、失敗帰属モデルを導入し、診断結果に基づいて把持候補生成と計画の両方を最適化する二段階フレームワークGTP-FAを提案した。シミュレーションと実機実験で、RL、IL、拡散ポリシー、VLAなど様々なベース学習器の成功率を向上させた。

詳しい要約

1. どんなもの？

- ロボットマニピュレーションにおける新しいフレームワーク「GTP-FA」を提案。 - 把握と運動計画を2段階に分離し、失敗原因を帰属するモデルを学習。 - 失敗原因に基づいて把握候補のスコアリングと計画モジュールを最適化。 - シミュレーションと実機で評価し、RL、IL、diffusion-policy、VLAベースの設定で成功率を向上。

2. 先行研究と比べてどこがすごい？

- 従来は把握と運動計画の密結合により失敗原因が不明瞭で、試行錯誤が非効率だった。 - GTP-FAは失敗帰属モデルを導入し、未見の把握にも汎化する安定した失敗モード分布を生成。 - 診断に基づく最適化により、把握側と計画側を個別に改善できる点が新しい。 - 既存のRL、IL、diffusion-policy、VLAベースの手法に対して成功率を大幅に向上。

3. 技術・手法の肝は？

- 2段階フレームワーク：まず把握候補を生成し、選択された把握に条件付けられた運動計画を実行。 - 失敗帰属モデルを学習し、失敗軌道から失敗モードの分布を推定。 - 把握側：タスクレベルの事前知識とリスクペナルティを把握候補のスコアリングと最適化に注入。 - 計画側：高リスク初期状態を対象にデータ収集とファインチューニングを実施。

4. どうやって有効だと検証した？

- シミュレーションと実ロボット実験の両方で評価。 - RL、IL、diffusion-policy、VLAベースの設定において、GTP-FAが対応するベース学習器を改善。 - 全体のタスク成功率が大幅に向上することを示した。

5. 議論はある？

- 要旨からは、失敗帰属モデルの汎化性能や計算コスト、実機での詳細な限界についての議論は不明。 - 診断駆動型最適化の有効性は示されているが、他の失敗モードやタスクへの適用可能性は明らかでない。

6. 次に読むべき論文は？

- 要旨で参照されている具体的な先行研究は不明。 - 関連手法として、RL、IL、diffusion-policy、VLAベースのマニピュレーション研究が挙げられる。 - 失敗帰属や診断に基づくロボット学習の一般的な文献を次に読むべき。

※ 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: Jiahao Xu, Peiyuan Wang, Hanzhuo Zhang, Zihao Yu, Tianyu Fu, Hao Chen, Xuanhao Xiang, Jianbo Yu, Chenchen Fu, Wanyuan Wang

分類: cs.RO, cs.AI

原文アブストラクト

In robotic manipulation, the tight coupling between grasping and motion planning often obscures the true source of failure, leading to inefficient trial-and-error. To enable efficient long-horizon manipulation, we propose GTP-FA (Grasp-Then-Plan with Failure Attribution), a task-oriented two-stage grasp-then-plan framework that generates grasp candidates and performs downstream motion planning conditioned on the selected grasp. Given a failed manipulation trajectory, we learn a failure attribution model that generalizes to unseen grasps and produces a stable distribution over failure modes for diagnosis-guided optimization. Based on these attribution results, we then optimize both modules in a diagnosis-driven manner: on the grasping side, we inject task-level priors and risk penalties into grasp candidate scoring and optimization to suppress unstable or task-incompatible grasps; on the planning side, we target high-risk initial states through data collection and fine-tuning to address genuine planning bottlenecks. We evaluate the proposed framework in both simulation and real-robot experiments, and show that GTP-FA improves the corresponding base learners across RL, IL, diffusion-policy, and VLA-based settings, achieving substantially higher overall task success rates.

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 →