水中マニピュレーション2026/10/28arXiv:2610.38199

海中の身体知：マルチタスク水中マニピュレーションのための模倣学習

Embodied at Sea: Imitation Learning for Multi-Task Underwater Manipulation

水中でのマニピュレーションに向けて1616エピソードのデータを収集し、14種類の汎用VLAモデルを訓練・評価した。プール実験では最高93.3%の成功率を達成し、海洋考古学の現場でもACT方策がSmolVLAを大きく上回った。

詳しい要約

1. どんなもの？

- 水中マニピュレーションのための模倣学習（Imitation Learning）研究 - 穏やかな水域と乱流の水域で1616 episodesの水中操作データを収集 - 14種類のgeneralist Vision-Language-Action (VLA) モデル（DynamicVLA）をproprioception観測設定を変えて学習 - プールでの1260回のgradable on-hardware rolloutsで3タスクを評価 - 海洋考古学・保全のケーススタディとしてROVで第二次大戦の沈没船Coralita X127やManoel Island Marina（Malta）でgraspingとmooringを検証 - データ収集・学習・ROVへのpolicy配備を行うBLUEMBODIED KITをオープンソース化

2. 先行研究と比べてどこがすごい？

- 陸上環境でのBehavior Cloningのgeneralizationに対し、海洋の視覚的歪みと動的潮流によるsevere domain shiftがgeneralistアーキテクチャ適応のボトルネックである点を指摘 - 水中field manipulation向けにgeneralist VLAを体系的に比較した点が新しい - プール評価で14モデル中10モデルがbaselineを上回り、最高モデルはpartial successes込みで93.3%のoverall success rate - ケーススタディではsingle-task Action Chunking Transformer (ACT) がgeneralist VLA (SmolVLA) を大きく上回った（pooled success rate 47.9% vs. 7.9%）

3. 技術・手法の肝は？

- Behavior Cloningに基づく模倣学習 - 1616 episodesの水中操作データ（calm/turbulent waters）を収集し学習に使用 - 14種類のgeneralist VLAモデル（DynamicVLA）をproprioception observation configurationsを変えて訓練 - ケーススタディではsingle-task Action Chunking Transformer (ACT) とgeneralist VLA (SmolVLA) を比較 - ROV上でpolicyを配備し、実機rolloutsで評価 - 詳細なアーキテクチャや学習の肝は要旨からは不明

4. どうやって有効だと検証した？

- プールでの1260回のgradable on-hardware rollouts、3タスクで14モデルを評価 - 10モデルがbaselineを上回り、最高モデルはpartial successes込みで93.3%のoverall success rate - 海洋考古学・保全のケーススタディで748 episodes収集、508回のgradable on-hardware rolloutsを実施 - ACTがSmolVLAを上回り（47.9% vs. 7.9% pooled success rate）、最も成功したタスクで66.7%のsuccess rate - 実海域（Coralita X127、Manoel Island Marina）のROVで検証

5. 議論はある？

- 海洋の視覚的歪み・動的潮流によるdomain shiftがgeneralistアーキテクチャの課題として議論 - generalist VLAはプールでは高い成功率だが、実海域ケーススタディではsingle-task ACTがgeneralist SmolVLAを大きく上回る結果 - タスク特化とgeneralistの性能差や実海域展開の難しさに関する議論が示唆される - 具体的な議論の詳細は要旨からは不明

6. 次に読むべき論文は？

- Action Chunking Transformer (ACT) - SmolVLA - DynamicVLA - Behavior Cloning - Vision-Language-Action (VLA) モデル全般 - 要旨で参照/比較されている上記研究・手法

※ 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: Greta Perez-Haiek, Luca Macesanu, Kevin Angers, Mohammed Imam, Timothy Gambin, Christopher Clark

分類: cs.RO, cs.LG

原文アブストラクト

Behavior Cloning has demonstrated promising generalization capabilities for robotic manipulation in terrestrial environments. However, marine visual distortions and dynamic currents create a severe domain shift that remains a key bottleneck in adapting generalist architectures to underwater field manipulation. To address this, 1616 episodes of underwater manipulation data were collected in calm and turbulent waters and were used to train 14 generalist Vision-Language-Action (VLA) models (DynamicVLA) with varying proprioception observation configurations. Across three tasks on 1260 gradable on-hardware rollouts in a pool, 10 models outperformed the baseline, with the highest-performing model achieving a 93.3% overall success rate, including partial successes. Results are also introduced from a case study evaluating the performance of a single-task Action Chunking Transformer (ACT) and a generalist VLA (SmolVLA) policy for two tasks in marine archaeology and conservation: grasping and mooring. Experiments are performed on an ROV on and around the WWII wreck Coralita X127 and at Manoel Island Marina, Malta. Across 748 collected episodes and 508 gradable on-hardware rollouts, the ACT policy substantially outperformed SmolVLA (47.9% vs. 7.9% pooled success rate), earning a 66.7% success rate on the most successful task at the marine archaeological site. To enable further contributions to embodied intelligence in marine field robotics, the BLUEMBODIED KIT used to collect data, train models, and deploy policies on the ROV has been open sourced.

arXivで原文を読む →arXiv概要ページ

海中の身体知：マルチタスク水中マニピュレーションのための模倣学習

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

MINISFORUM（ミニPC）

双腕モバイルマニピュレーター OpenShell