マニピュレーション2026/9/14arXiv:2609.15840

不確実性誘導スパースリファインメントによるアクションチャンキングトランスフォーマーポリシー

Uncertainty-Guided Sparse Refinement for Action Chunking Transformer Policies

アクションチャンキング型視覚運動ポリシーの予測誤差が大きいタイムステップのみを不確実性で特定し、残差補正をスパースに適用する手法を提案。RoboTwinの双腕操作タスクで成功率を最大13%改善。

詳しい要約

1. どんなもの？

本論文は、chunk-based visuomotor policy のための sparse refinement フレームワーク Uncertainty-Guided Refinement (UGR) を提案する。長期的なロボット操作において、action chunk 全体の予測誤差は一様ではなく、少数の critical timestep に集中するという問題に対処する。UGR は coarse-to-refine 設計を採用し、まず action chunk 全体を予測し、coarse hidden state から各ステップの temporal uncertainty を推定し、binary mask で選択された最も不確実な timestep にのみ residual correction を適用する。

2. 先行研究と比べてどこがすごい？

従来の action-chunking 手法は action chunk 全体を一様に予測・改善するため、少数の critical timestep での誤差に効率的に対処できない。UGR は uncertainty に基づいて sparse に refinement を行う点で異なり、さらに uncertainty branch を coarse action predictor から分離することで、refinement の利得が追加の予測器容量ではなく uncertainty-guided correction に起因することを明確に示せる。RoboTwin benchmark の5つの dual-arm タスクで4つにおいて最高成功率を達成し、ACT baseline を最大13%絶対改善した。

3. 技術・手法の肝は？

UGR の肝は coarse-to-refine 設計である。まず coarse action predictor が action chunk 全体を予測する。次に、coarse hidden state から per-step temporal uncertainty を推定する uncertainty branch が、各 timestep の不確実性を計算する。そして binary mask により最も不確実な timestep を選択し、それらの timestep にのみ residual correction を適用する。uncertainty branch は coarse action predictor から分離されており、refinement の効果を uncertainty-guided correction に帰属できる。

4. どうやって有効だと検証した？

RoboTwin benchmark の5つの dual-arm manipulation タスクで実験を行った。UGR は4つのタスクで最高成功率を達成し、ACT baseline を最大13%絶対改善した。また、ablation study において full-chunk refinement および position-agnostic block refinement よりも優れることを示した。

5. 議論はある？

要旨からは不明。

6. 次に読むべき論文は？

要旨で参照されている ACT baseline、および比較対象である full-chunk refinement と position-agnostic block refinement が次に読むべき関連研究として挙げられる。また、action-chunking 手法全般（例: Action Chunking Transformer）や RoboTwin benchmark も関連する。

※ 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: Chenyang Wang, Yuntian Wang, Xiaoxiong Yang, Dingde Jiang, Siao Liu, Yang Liu

分類: cs.RO

原文アブストラクト

Learning chunk-based visuomotor policies for long-horizon robot manipulation remains challenging. Recent action-chunking methods have shown promising performance by predicting temporally extended action sequences. However, their failures are often dominated by prediction errors at a small number of critical timesteps rather than uniformly poor predictions across the entire action chunk, making uniform refinement inefficient and insufficiently targeted. To address this bottleneck, we propose Uncertainty-Guided Refinement (UGR), a sparse refinement framework for chunk-based visuomotor policies. Specifically, UGR follows a coarse-to-refine design: it first predicts a full action chunk, estimates per-step temporal uncertainty from the coarse hidden states, and applies residual correction only to the most uncertain timesteps selected by a binary mask. The uncertainty branch is decoupled from the coarse action predictor, enabling clean attribution of the refinement gains to uncertainty-guided correction rather than additional predictor capacity. Extensive experiments on five dual-arm manipulation tasks from the RoboTwin benchmark show that UGR achieves the best success rate on four tasks, improves over the ACT baseline by up to 13% absolute, and outperforms both full-chunk and position-agnostic block refinement in ablation studies.

arXivで原文を読む →arXiv概要ページ