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:2610.08555

自己再帰的プルーニングによる効率的なロボットマニピュレーションモデル

Towards Efficient Robotic Manipulation Models with Self-Recursive Pruning

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作ポリシー向けの学習不要な非構造化プルーニング手法LCAMを提案し、再帰的な粗密探索で重要度を再調整することで、再学習なしに高い成功率を維持する。

詳しい要約

1. どんなもの？

- ロボティクス/フィジカルAIの研究。 - 事前学習済みのロボットマニピュレーションポリシーに対する、訓練不要のunstructured pruning手法「LCAM」を提案。 - 閉ループの行動性能を考慮したプルーニング基準を導入。 - LIBEROスイートとOpenVLAで評価し、実世界のピンポンタスクでも有効性を実証。

2. 先行研究と比べてどこがすごい？

- 従来の汎用プルーニング基準は画像認識向けで、重みの大きさ、局所再構成、言語モデルの尤度を保持するように設計。 - これらをロボットタスクに直接適用すると性能が不十分。 - LCAMは閉ループの行動行動を考慮し、訓練不要で回復訓練やシミュレータロールアウトを必要としない点が優位。 - 広範なプルーニング率で競争力のある性能を達成。

3. 技術・手法の肝は？

- 訓練不要のunstructured pruning。 - 接続のランク付けに、行正規化重み寄与、キャリブレーションデモンストレーションで測定した活性化モーメント、行動予測損失に対する出力方向の感度を使用。 - 自己再帰的な粗から細への手順を設計：各ネストされた粗プルーニング段階後に重要度を再調整。 - スパースニー（sparsity knee）後に、ホールドアウトされたオフライン行動歪みが細粒度の予算配分を導く。

4. どうやって有効だと検証した？

- 3つのLIBEROスイートで競争力のあるロボットポリシーを用いて実験。 - OpenVLAでも評価。 - LIBERO-ObjectでOpenVLAを使用し、50% unstructured pruningで84.0%の成功率を達成、密なポリシーの成功率の90%以上を保持。 - 実世界のロボットピンポンタスクでも有望な結果。

5. 議論はある？

- 要旨からは不明。 - ただし、訓練不要で回復訓練やシミュレータロールアウトが不要である点が強調されている。 - 広範なプルーニング率での性能が示されているが、限界や議論については言及なし。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：LIBEROスイート、OpenVLA。 - 関連手法：unstructured pruning、generic pruning criteria（重みの大きさ、局所再構成、言語モデルの尤度）。 - 同分野の定番：ロボティックマニピュレーションのためのネットワークプルーニング、訓練不要プルーニング。

※ 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: Zijia Chen, Yuenan Hou, Yu Li, Weijie Li, Li Liu

分類: cs.RO

原文アブストラクト

Network pruning can reduce parameter redundancy in robotic policies. However, generic pruning criteria are tailored for image recognition tasks and commonly designed to preserve weight magnitude, local reconstruction, or language-model likelihood rather than closed-loop action behavior. Directly applying these pruning algorithms to robotic tasks yields unsatisfactory performance. In this paper, we propose Loss-Conditioned Activation-Moment (LCAM) pruning, a training-free method for unstructured pruning of pre-trained robotic manipulation policies. Specifically, we first rank connections using row-normalized weight contribution, activation moments measured on calibration demonstrations, and the sensitivity of output directions to the action-prediction loss. We further design a self-recursive coarse-to-fine procedure: importance is recalibrated after each nested coarse pruning stage, while held-out offline action distortion guides fine-grained budget allocation after a sparsity knee. Our algorithm is free from costly recovery training and simulator rollouts after pruning. Experiments on three LIBERO suites with competitive robotic policies, together with evaluations on OpenVLA, show that LCAM attains competitive performance across a broad range of pruning ratios. Notably, on LIBERO-Object with OpenVLA, our LCAM achieves 84.0% success at 50% unstructured pruning, retaining over 90% of the dense policy's success rate. Promising results on real-world robotic ping pong further demonstrate the effectiveness of our pruning algorithm.

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