日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作arXiv:2608.05970

SkillMemo: 専門家ガイドによるスキル記憶フレームワークを用いた構成的手操作

SkillMemo: Expert-guided Skill Memory Framework for Compositional Embodied Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

長期的なデモンストレーションを潜在的な原子スキルに分解し、動的エピソード記憶バンクに統合することで、構成的一般化を向上させるフレームワークを提案。

詳しい要約

1. どんなもの?

本論文は、ロボット操作における視覚運動モデル(Diffusion Policy (DP) や Vision-Language-Action (VLA) モデル)の構成的一般化を向上させるためのフレームワーク「Skill-Based Memory (SkillMemo)」を提案している。長期的なデモンストレーションを潜在的な原子スキルに暗黙的に分解し、スキルレベルの特徴を動的エピソディックメモリバンクに統合することで、構成タスクを解決する。

2. 先行研究と比べてどこがすごい?

既存のDPやVLAモデルは、大規模な軌道データセットの不足により、OODシナリオでの構成的一般化が不十分で、再利用可能なスキル構造を捉える能力が限られていた。SkillMemoは、専門家のガイダンスに基づく軌道分割とスキルレベルのメモリを導入することで、これらの制限を克服し、DPとVLAの両方のバックボーンを一貫して強化し、π0.5を上回る最先端の性能を達成している。

3. 技術・手法の肝は?

手法の核は、(1) Mixture-of-Experts (MoE) アーキテクチャに基づく専門家ガイドの軌道分割モジュールで、学習されたゲーティング係数によって軌道を暗黙的にスキルプリミティブに分割する点、(2) コンパクトなスキル表現を取得可能なキーバリューペアとして格納するスキルレベルエピソディックメモリアーキテクチャの設計、(3) 推論時にメモリバンクから最も関連するスキルプリミティブを取得し、現在のゲーティング分布と融合して堅牢な文脈事前分布を提供し、アクション予測を洗練する点。

4. どうやって有効だと検証した?

シミュレーションベンチマークと実世界の操作タスクで広範な実験を行い、SkillMemoがDPとVLAの両方のバックボーンを一貫して強化し、最先端の性能を達成し、π0.5を上回ることを示した。また、未見のタスク構成に対する強い構成的一般化を示した。

5. 議論はある?

要旨からは、潜在的な限界や議論(例えば、メモリバンクのスケーラビリティ、分割の解釈可能性、実世界での一般化の詳細など)については不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、Diffusion Policy (DP)、Vision-Language-Action (VLA) モデル、π0.5、Mixture-of-Experts (MoE) アーキテクチャ、エピソディックメモリに関する論文が挙げられる。

※ 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: Changyuan Wang, Chubin Zhang, Zhenyu Wu, Runhao Li, Angyuan Ma, Ke Chao, Yinan Liang, Xiuwei Xu, Ziwei Wang, Yansong Tang, Jiwen Lu

分類: cs.RO, cs.AI

原文アブストラクト

Embodied visuomotor models, including Diffusion Policy (DP) and Vision-Language-Action (VLA) models, have demonstrated promising performance on robotic manipulation benchmarks. However, their potential remains fundamentally constrained by the scarcity of large-scale embodied trajectory datasets, leading to insufficient compositional generalization in out-of-distribution (OOD) scenarios with limited capability to capture reusable skill structures. To address this limitation, we propose Skill-Based Memory (SkillMemo) framework that implicitly decomposes long-horizon demonstrations into latent atomic skills and integrates skill-level features into a dynamic episodic memory bank for solving compositional tasks. Specifically, we first introduce an expert-guided trajectory segmentation module built upon a Mixture-of-Experts (MoE) architecture, which implicitly partitions trajectories into distinct skill primitives represented by learned gating coefficients. We further design a skill-level episodic memory architecture that stores compact skill representations as retrievable key-value pairs. During inference, the memory bank retrieves the most relevant skill primitives which are subsequently fused with the model's current gating distribution, providing a robust contextual prior to refine action predictions. Extensive experiments on the simulation benchmark and real-world manipulation tasks demonstrate that SkillMemo consistently enhances both DP and VLA backbones, achieving state-of-the-art performance and outperforming $\pi_{0.5}$, while exhibiting strong compositional generalization to unseen task configurations.

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