日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習/能動的知覚arXiv:2606.23625

見ながら学ぶ:ロボット模倣学習における能動的知覚のための拡散モデル

Learning to See While Learning to Act: Diffusion Models for Active Perception in Robot Imitation

シェア:XThreadsFacebookLINEはてブBluesky

オクルージョンがある環境で、ロボットが行動予測と視点選択を同時に学習する模倣学習手法See2Actを提案。拡散モデルを用いて行動と視点を共同で最適化し、シミュレーションと実世界で性能を向上させた。

詳しい要約

1. どんなもの?

- ロボットの模倣学習において、物体が隠れる状況下で能動的に視点を探索しながら行動する手法「See2Act」を提案。 - テスト時に能動的に推論した視点列に基づいて行動予測を行い、行動のdenoisingと視点のrefinementを結合。 - オフラインのデモンストレーションからキーフレーム行動に紐づくカメラポーズで訓練し、どこを見るかを暗黙的に学習。

2. 先行研究と比べてどこがすごい?

- 従来の模倣学習はテーブルトップ設定で完全観測を仮定することが多いが、本研究は部分的観測下での能動的知覚を扱う。 - Ravensで深刻な遮蔽下でも情報量の多い視点を回復し、RLBenchタスクで先行手法より最大34%性能向上。 - 実世界ではデジタルツインで50デモを収集し、depth観測を用いたpick-and-placeタスクでゼロショットsim-to-real転移を実現。

3. 技術・手法の肝は?

- 行動予測をテスト時の能動的に推論された視点列に条件付け、行動のdenoisingと視点のrefinementを結合するimitation learningアプローチ。 - ポリシーはオフラインデモのキーフレーム行動にアンカーされたカメラポーズを用いて訓練され、どこを見るかを暗黙的に学習。 - これにより、行動の学習と視点の学習を同時に行う。

4. どうやって有効だと検証した?

- Ravensで深刻な遮蔽下で情報量の多い視点を回復することを実証。 - RLBenchタスクで先行手法より最大34%の性能向上を確認。 - 実世界ではデジタルツインで50デモを収集し、depth観測を用いたpick-and-placeタスクでゼロショットsim-to-real転移を達成し、著しい遮蔽下でも頑健なマニピュレーションを示した。

5. 議論はある?

- 学習された視点推論が部分的観測下での頑健なマニピュレーションを可能にすることを示唆。 - 具体的な議論や限界については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていないが、関連手法としてimitation learning、diffusion models、active perception、sim-to-real transferの文献が挙げられる。 - 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: Kuancheng Wang, Vaibhav Saxena, Shuo Cheng, Yotto Koga, Danfei Xu

分類: cs.RO

原文アブストラクト

Most imitation learning methods assume full observability in table-top settings. In practice, objects are often occluded, requiring robots to both search and act, and learning this coupled behavior from limited demonstrations remains challenging. We propose See2Act, an imitation learning approach that conditions action prediction on a sequence of actively-inferred viewpoints at test time, by coupling action denoising with viewpoint refinement. The policy is trained using camera poses anchored to keyframe actions from offline demonstrations, enabling implicit learning of where to see, while learning how to act. We empirically demonstrate that in Ravens the policy recovers informative viewpoints under severe occlusions, and on RLBench tasks it improves performance by up to 34% over prior methods. In the real world, we collect 50 demonstrations in a digital twin and achieve zero-shot sim-to-real transfer on pick-and-place tasks using depth observations. The policy handles significant occlusions, showing that learned viewpoint reasoning enables robust manipulation under partial observability.

  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