マニピュレーション2026/6/1arXiv:2606.19194

ロボット操作のための一段フローマッチング用可逆ニューラルネットワークアダプタ

Invertible Neural Network Adapter for One-Step Flow Matching in Robot Manipulation

視覚・言語・固有受容などのマルチモーダル観測から高次元の操作行動を一段のノイズ除去で生成する可逆ニューラルネットワークアダプタを提案し、推論コストを削減しつつ精度を維持する。

詳しい要約

1. どんなもの？

- ロボットマニピュレーション向けの **Invertible Neural Network Adapter** を提案。 - 視覚・言語・固有感覚のマルチモーダル観測から、**one-step denoising** で高次元行動を生成。 - **flow-matching** に基づき、**invertible latent space** 内で行動生成軌道を制約。 - 単一推論ステップで高品質な器用動作を合成。

2. 先行研究と比べてどこがすごい？

- 従来の反復的 **flow-matching policies** と比較し、推論複雑度を大幅削減。 - 行動予測精度と安定性を維持しつつ、推論効率を向上。 - シミュレーションベンチマークで **state-of-the-art** 相当またはそれを上回る性能を一貫して示す。 - 実世界で **VLA** モデルの推論レイテンシを 110 ms から 61 ms に短縮。

3. 技術・手法の肝は？

- **flow-matching** 定式化を基盤とし、**invertible neural network adapter** を導入。 - 行動生成軌道を **invertible latent space** 内に制約することで、単一ステップ推論を実現。 - 視覚・言語・固有感覚入力を条件とした高次元行動生成を可能にする。 - 詳細なネットワーク構造や学習手順は要旨からは不明。

4. どうやって有効だと検証した？

- 多様なシミュレーションベンチマークと実世界ロボットプラットフォームで実験。 - シミュレーションでは広範なマニピュレーションタスクで優れた性能を確認。 - 実世界では **VLA** モデルの推論効率改善（110 ms → 61 ms）とタスク性能維持を検証。

5. 議論はある？

- 推論複雑度の削減と精度・安定性の両立が議論の焦点。 - 実世界でのレイテンシ改善が示される一方、詳細な限界や失敗事例は要旨からは不明。 - 一般化可能性やスケーラビリティに関する議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている **flow-matching policies** や **VLA** モデルに関する論文。 - 関連手法として **diffusion policies**、**action chunking transformers** などが挙げられる。 - 具体的な論文名は要旨からは不明。

※ 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: Yu Zhang, Kangyi Ji, Yongxiang Zou, Rongtao Xu, Feng Zheng, Long Cheng

分類: cs.RO

原文アブストラクト

This paper presents an invertible neural network adapter for general robotic manipulation, designed to generate precise high-dimensional actions conditioned on multimodal observations, including visual, linguistic, and proprioceptive inputs, through a one-step denoising process. Built upon a flow-matching formulation, the proposed adapter effectively constrains the action generation trajectory within an invertible latent space, thereby enabling efficient and high-quality dexterous action synthesis with only a single inference step. Compared with conventional iterative flow-matching policies, the proposed framework substantially reduces inference complexity while maintaining strong action prediction accuracy and stability. Extensive experiments are conducted across a diverse set of simulation benchmarks and real-world robotic platforms to evaluate the effectiveness of the proposed method. Across simulation benchmarks, the proposed adapter consistently demonstrates superior or near state-of-the-art performance on a wide range of manipulation tasks. Furthermore, real-world experiments reveal a significant improvement in inference efficiency for vision-language-action (VLA) models, reducing the average inference latency from 110 ms to 61 ms while maintaining strong task performance.

arXivで原文を読む →arXiv概要ページ

ロボット操作のための一段フローマッチング用可逆ニューラルネットワークアダプタ

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

OZ GAMING（GPU搭載BTOゲーミングPC）

双腕モバイルマニピュレーター OpenShell