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:2607.10706

アクションマップポリシー:ピクセル分類による3D閉ループ操作の学習

Action Map Policy: Learning 3D Closed-loop Manipulation via Pixel Classification

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの操作行動をカメラ画像平面上のピクセル位置として分類問題に変換し、高次元で多峰性の行動を効率的に学習する手法を提案。拡散ポリシーより高速で高精度な推論を実現。

詳しい要約

1. どんなもの?

Action Map Policy (AMP) は、3Dクローズドループ操作ポリシー学習を画像空間の分類問題として定式化する手法。3Dアクションをカメラ画像平面に投影し、各ピクセル位置を離散クラスとして扱うことで、高次元連続アクションの離散化に伴う語彙爆発を回避しつつ、マルチモーダルな解を保持する。アクションチャンク全体を単一のフォワードパスで予測でき、拡散ポリシーより高速な推論を実現する。

2. 先行研究と比べてどこがすごい?

従来のロボット学習では、高次元・長時間・マルチモーダルなアクション空間の扱いが課題であり、アクション表現と損失関数の選択にトレードオフがあった。拡散ポリシーは高品質だが反復的ノイズ除去により推論が遅い。AMPは分類ベースで、ピクセル単位の離散化により語彙爆発を防ぎつつ、ミリメートル精度を実現し、単一パスで全アクションチャンクを予測するため、拡散ポリシーより大幅に高速な推論を達成。

3. 技術・手法の肝は?

3Dアクションをカメラ画像平面に投影し、各ピクセル位置を離散クラスとして扱う。これにより、高次元アクションの次元を制御しつつ、マルチモダリティを保持。ピクセル単位の視覚信号を活用し、ミリメートル精度を実現。アクションチャンク全体を単一のフォワードパスで予測するため、複雑なノイズスケジューリングや反復的デノイジングが不要。

4. どうやって有効だと検証した?

複数の操作タスクで実験を行い、強力なベースラインと比較。AMPは高い成功率、高速な推論、強化された空間推論を達成したと報告。具体的なタスクやベースラインの詳細は要旨からは不明。

5. 議論はある?

要旨からは、AMPの限界や潜在的な欠点についての議論は不明。ただし、分類ベースのアプローチは、アクションの連続性や精度の面で課題がある可能性が考えられるが、要旨ではミリメートル精度を主張している。また、カメラ画像平面への投影は、カメラ配置やオクルージョンの影響を受ける可能性があるが、詳細は不明。

6. 次に読むべき論文は?

要旨で参照されている拡散ポリシー(Diffusion Policy)に関する論文。また、ロボット学習におけるアクション表現や分類ベースの手法に関する関連研究。具体的には、拡散ポリシーの元論文や、3D操作学習のベースラインとして使われた手法が考えられるが、要旨からは特定できない。

※ 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: Haojie Huang, Zhang Ye, Linfeng Zhao, Boce Hu, Mingxi Jia, Yu Qi, Ahmed Agha, Dian Wang, Robert Platt, Robin Walters

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

The action space poses a major challenge in robot learning, since it is often high-dimensional, can span long time horizons, and frequently admits multi-modal optimal solutions. A good choice of action representation and loss function can help to address these concerns, but there are often trade offs. We propose Action Map Policy (AMP), which casts 3D closed-loop manipulation policy learning as a classification problem in image space. While classification has been an effective formulation in generative language models, applying it to robot action learning is difficult because naively discretizing high-dimensional continuous actions explodes the token vocabulary. Our key idea is to project 3D actions onto the camera image planes and treat each pixel location as a discrete class, thus controlling dimensionality while retaining multi-modality. This method supports millimeter-level precision for high-dimensional actions without requiring a prohibitively large vocabulary, while preserving fine-grained pixel-wise visual signals. Furthermore, it can predict the entire action chunk in a single forward pass, avoiding complex noise scheduling and iterative denoising while achieving substantially faster inference than diffusion policies. Experiments on various manipulation tasks show that AMP outperforms strong baselines, achieving higher success rates, faster inference, and enhanced spatial reasoning.

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. 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