スペクトルルーティング拡散ポリシーによるマルチタスクロボットマニピュレーション

- 複数のロボット操作タスクを単一モデルで学習する Diffusion-based policy の新手法 SR-DP (Spectrally Routed Diffusion Policy) を提案する研究。 - 単一タスク専用の specialist と比較して、joint training した単一モデルが性能低下する問題に対処する。 - 視覚条件の識別性不足と、非整合な action mode 間の勾配干渉という2課題に着目する。

- 従来の diffusion-based policy は単一タスクで高い性能を示すが、multi-task の joint training では per-task specialist に劣る。 - 提案手法は six RoboTwin tasks で平均 68.4% の成功率を達成し、multi-task VO-DP を 21.8 ポイント、最強の per-task baseline を 3.8 ポイント上回る。 - 実世界の four real-world bimanual tasks でも Stage 2 が平均 43.0% を達成し、Stage 1 から 19.0 ポイント改善する。

- frozen VGGT encoder と spatial-compression adapter により、compact な multi-scale semantic-geometric tokens を生成し、workspace を共有するタスクに対する task-discriminative な視覚条件を得る。 - まず denoiser を標準的な diffusion policy として学習する。 - その後、選択した linear layers を SVD で分解し、frozen な orthogonal rank-one experts の basis に変換する。 - spectral routing と Householder input rotations により適応させる。

- six RoboTwin tasks で評価し、平均成功率 68.4% を報告。multi-task VO-DP と最強の per-task baseline と比較する。 - four real-world bimanual tasks で Stage 2 の平均成功率 43.0% を報告し、Stage 1 との比較で 19.0 ポイントの改善を示す。 - 詳細な実験設定や ablation は要旨からは不明。

- 要旨からは不明。 - 勾配干渉や視覚条件の識別性に関する定量的な分析、限界、失敗事例については要旨に記載がない。

- multi-task VO-DP（比較対象として明示） - VGGT encoder（視覚バックボーンとして利用） - SVD ベースのパラメータ分解や Householder rotation を用いた関連手法（spectral routing の基盤として関連） - diffusion policy の代表的手法（同分野の定番として）