日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2609.21929

MAAP: 協調マニピュレーションのためのマルチエージェント能動知覚

MAAP: Multi-Agent Active Perception for Collaborative Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

各アームの手首カメラを移動視点として活用する能動知覚手法MAAPと、役割を考慮した模倣学習RAILを提案し、協調マニピュレーションの成功率を大幅に向上させた。

詳しい要約

1. どんなもの？

- 複数アームによる協調マニピュレーションのための手法 MAAP (Multi-Agent Active Perception) と、その制御器 RAIL (Role-Aware Imitation Learning) を提案する研究。 - 各アームが手首カメラを搭載し、操作動作を行いながら同時にチームの移動視点として機能する点を特徴とする。 - 協調マニピュレーション自体を active perception の仕組みとして活用する。

2. 先行研究と比べてどこがすごい？

- 従来は active perception を専用の sensing agent に担わせるか、固定カメラ視点に頼ることが多かった。 - 本手法は追加のセンシング用エージェントを必要とせず、操作アーム自身が視点を提供する。 - 固定カメラ 56.5% に対し、全手首視点で 70.0%、MAAP+RAIL で 79.2% へと成功率を向上させた。

3. 技術・手法の肝は？

- 各アームを dual-purpose とし、操作と移動視点提供を同時に担わせる。 - RAIL は各アームの現在の role を予測し、action chunk とともに role に条件付けた行動生成を行う。 - role 依存の行動を単一ネットワーク内で表現する。

4. どうやって有効だと検証した？

- 4つのシミュレーションタスクで評価し、固定カメラ 56.5%、1つの active wrist view で 62.5%、全視点で 70.0%、MAAP+RAIL で 79.2% の平均成功率を確認。 - 3アームの Microwave タスクでは同一の multi-wrist 入力下で 47% から 82% へ向上。 - デュアルアーム実機プラットフォームで、MAAP+RAIL は 20 回中 14 回成功、固定視点 ACT は 20 回中 0 回成功。

5. 議論はある？

- 協調マニピュレーションがそれ自体で active perception のメカニズムとして機能し得ると主張。 - RAIL の追加利得は特に 3 アーム Microwave タスクに集中している。 - 限界や失敗要因、計算コスト、実機での一般化については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・比較されている手法: ACT (Action Chunking with Transformers)、固定視点ベースライン、active perception を用いる先行研究。 - 関連する定番として imitation learning 系の ACT、および multi-agent manipulation や active perception の研究を挙げる。

※ 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: Bruno N. Y. Chen, Li Kang, Heng Zhou, Xiufeng Song, Zhemeng Zhang, Jiahua Ma, Yiran Qin

分類: cs.RO

原文アブストラクト

Multi-agent manipulation naturally produces multiple task-driven viewpoints: every arm carries a wrist camera and moves through the scene while acting. Yet these observations are typically underutilized, and active perception in manipulation is still often treated as requiring a dedicated sensing agent. We introduce MAAP (Multi-Agent Active Perception), in which every arm is dual-purpose: it executes manipulation actions and, through the wrist camera it carries, simultaneously serves as a moving viewpoint for the team. We pair this with RAIL (Role-Aware Imitation Learning), a controller that predicts each arm's current role alongside its action chunk and conditions action generation on it, representing role-dependent actions within one network. Across four simulated tasks, widening the perception regime lifts average success from 56.5% with a fixed camera to 62.5% with one active wrist view and 70.0% with all of them, while MAAP+RAIL reaches 79.2%. RAIL's additional gain is concentrated on the three-arm Microwave task, where success rises from 47% to 82% on identical multi-wrist inputs. On a dual-arm platform, MAAP+RAIL succeeds in 14 of 20 placement trials compared with 0 of 20 for fixed-view ACT. Collaborative manipulation can thus serve as an active perception mechanism in its own right.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI