日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2607.08354

SkillPlug: 教師なしスキル抽出によるロボット操作の少数ショット適応

SkillPlug: Unsupervised Skill Mining for Few-Shot Adaptation in Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

既存の視覚運動模倣ポリシーにスキル条件付けモジュールを追加し、マルチタスクのデモから共有可能なスキルライブラリを自己教師ありで抽出することで、新しいタスクへの少数ショット適応を効率化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?

SkillPlugは、既存のvisuomotor policyにskill-conditioning moduleを追加し、マルチタスクの生デモンストレーションから共有可能で転移可能なスキルライブラリを自動的にマイニングするプラグインフレームワークである。マイニング後はスキルを固定し、軽量なrouterとaction headのみをファインチューニングすることで、未見タスクへの効率的な少数ショット適応を実現する。

2. 先行研究と比べてどこがすごい?

従来の多くのvisuomotor imitation policiesは、観測から低レベルアクションへのend-to-endマッピングを学習し、タスク間での行動の再利用や再結合のための明示的な構造を持たないため、限られた教師データでの転移が非効率である。SkillPlugは、自己教師あり目的でスキルをマイニングし、タスク共有の事前分布を形成することで、データ効率的な転移と少数ショット適応を可能にする点が優れている。

3. 技術・手法の肝は?

手法の肝は、自己教師ありの目的関数を用いて、コンパクトで再利用可能かつ冗長でない行動レベルのプリミティブ(スキル)を学習することである。具体的には、既存のvisuomotor policyにskill-conditioning moduleを追加し、マルチタスクの生デモンストレーションからスキルライブラリをマイニングする。マイニング後はスキルを固定し、未見タスクへの適応は軽量なrouterとaction headのみをファインチューニングすることで、end-to-endの再学習を避ける。

4. どうやって有効だと検証した?

2つのシミュレーションベンチマークと実ロボットで評価を行い、マイニングされた転移可能なスキルがマルチタスク性能と少数ショット適応の両方を一貫して向上させることを観測した。

5. 議論はある?

要旨からは、スキルの解釈可能性や、スキルライブラリの規模、タスク分布の多様性が性能に与える影響などについての議論は不明である。また、実ロボットでの評価の詳細(タスク数、デモ数など)も要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている先行研究や関連手法は明示されていないが、同分野の定番として、visuomotor imitation learning、skill discovery、few-shot adaptationに関する論文が挙げられる。具体的には、Behavior Cloning、Option-Critic、Diversity is All You Needなどの関連研究が考えられる。

※ 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: Zi-han Ding, Ziwei Wang

分類: cs.RO

原文アブストラクト

Learning transferable visuomotor imitation policies that generalize across diverse manipulation tasks and adapt rapidly to new tasks from only a handful of demonstrations remains challenging. Most modern policies are trained end-to-end to map observations directly to low-level actions, offering little explicit structure for reusing and recombining behaviors across tasks and making transfer data-inefficient under limited supervision. We propose SkillPlug, a plug-in framework that augments an existing visuomotor policy with a skill-conditioning module and mines a shared, transferable skill library from raw multi-task demonstrations. SkillPlug learns skills via self-supervised objectives that promote compact, reusable, and non-redundant behavior-level primitives, forming a task-shared prior for compositional control. After skill mining, we keep the learned skills fixed and specialize to unseen tasks by fine-tuning only lightweight router and action head, enabling efficient adaptation without full end-to-end retraining. We evaluate SkillPlug on two simulation benchmarks and on a real robot, and observe that the mined transferable skills consistently improve both multi-task performance and few-shot adaptation. Overall, SkillPlug offers a scalable way to mine reusable skills that improve data-efficient generalization in robotic manipulation.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI