何が起きたか

arXivに2026年11月17日掲載された論文「BiCAT: Bimanual Coordination Action Tokenization」は、両腕操作向けの行動トークン化手法BiCATを提案した。シミュレーションのRoboTwin 2.0の10タスクでは、8つの比較対象のうち最も高い成功率を示した方式に比べ、平均成功率が17.6ポイント高かった。論文要旨によると、実機では3種類のロボット形態を用いて6タスクを評価し、1動作チャンク当たりの処理時間は40.5ミリ秒だった。

詳細

BiCATは、左右の腕で共通する動作表現を共有し、対称的なクロスアーム注意機構と共同デコーダーを使って、各腕のトークンを相手側の腕の動作に条件づける。方策は各腕のトークンを腕ごとに並列予測し、左腕を生成した後、その情報に条件づけて右腕を生成する。 論文要旨は、評価対象をRoboTwin 2.0のシミュレーション10タスクと実機6タスク、3種類のロボット形態としている。成功率の17.6ポイント改善はシミュレーションでの比較結果であり、要旨では実機評価における成功率の具体値は示されていない。

Key Facts

BiCATは左右の腕で動作表現を共有し、クロスアーム注意機構と共同デコーダーで各腕のトークンを相手側の腕に条件づける。[1]
シミュレーションのRoboTwin 2.0の10タスクで、8つの比較対象中最も強い方式より平均成功率が17.6ポイント高かった。[1]
実機では3種類のロボット形態にまたがる6タスクで評価した。[1]
処理時間は1動作チャンク当たり40.5ミリ秒だった。[1]

本紙の見方

BiCATの要点は、両腕の協調を方策が暗黙に学ぶのではなく、行動トークンの設計に組み込んだ点にある。従来方式について論文要旨は、左右の動作を連結した一つのベクトルとして符号化する例が多く、共通する動きと腕間の依存関係が同じ表現内に混在すると説明する。BiCATは共通の動作表現を共有しながら、相手側の腕を条件として扱う。したがって変更の中心はロボット本体や視覚言語モデルではなく、方策とロボットの間で動作を表すインターフェースにある。 結果の読み方では、シミュレーション10タスクでの平均成功率17.6ポイント改善と、実機6タスク・3種類の形態での評価を分ける必要がある。前者は8つの比較対象のうち最も強い方式との比較として示されているが、後者について要旨にあるのは評価を実施したという情報で、実機の成功率や改善幅ではない。また、17.6ポイントの改善がとくに両腕の近接した協調を要するタスクで大きかったという記述は、BiCATの設計意図と結果の対応を示す一方、すべての両腕作業で同じ効果が得られることを意味しない。 処理時間40.5ミリ秒は、行動チャンクを出す方式の実行時間を考える材料になる。ただし、要旨だけでは計測環境や比較方式ごとの処理時間は分からず、この値のみから実運用時の応答性を評価することはできない。左右の腕を共有表現にする設計は、片腕ごとに別々の動作系列を扱う場合と異なり、共通動作の再利用と協調関係の表現を同じトークナイザーで担う構造だと読める。実装上は、共通表現が異なるロボット形態の動作差をどこまで保てるか、左腕から右腕へ生成する順序がタスクに与える影響も検証点となる。 次に確認すべきなのは、実機タスクごとの成功率、評価条件、学習データと比較手法の詳細、そして40.5ミリ秒の測定条件である。これらが分からなければ、シミュレーション上の改善が異なる作業や実機環境にどこまで及ぶか、また既存の方策にトークナイザーだけを置き換えて使えるかは判断できない。現時点で示された結果は、協調の表現場所としてトークナイザーを設計する意義を支持するが、適用範囲の広さまでは確定していない。

なぜ重要か

両腕で共通する動作と腕間の依存関係をトークン化の段階で扱うため、両腕の協調を要するロボット方策の設計に関係する。論文はシミュレーション10タスクでの比較結果と実機6タスクでの評価を示しているが、実機での成功率や改善幅は要旨に記載していない。