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:2610.17977

ReEnvision: 長期マニピュレーションのための未来誘導型選択的行動修復

ReEnvision: Future-Guided Selective Action Repair for Long-Horizon Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

実行フィードバックから未来の行動信念を更新し、影響を受けた行動だけを選択的に修復することで、長期タスクの成功率を向上させる手法を提案。

詳しい要約

1. どんなもの？

- 長期的なロボットマニピュレーションにおける実行偏差に対処するためのフレームワーク。 - 既存手法は残りのアクションチャンクを再計画するか、ステップごとに修正するが、局所的な偏差が有効なアクションに悪影響を及ぼす可能性がある。 - ReEnvisionは、将来のアクションの信念を実行フィードバックで更新し、その信念改訂が未実行アクションに与える影響を学習する。 - 影響を受けたアクションのみを選択的に修復し、有効なアクションを保持する。深刻な偏差には完全な再計画を行う。

2. 先行研究と比べてどこがすごい？

- 従来の再計画手法は、局所的な偏差でもチャンク全体を再生成し、未知の状態からエラーを導入する可能性があった。 - ステップごとの修正は、偏差が後続アクションに与える影響を予測せず、反応が遅れることがあった。 - ReEnvisionは、将来のアクションの信念を更新し、影響を受けるアクションのみを選択的に修復することで、有効なアクションを保持しつつ、深刻な偏差には完全再計画を予約する。 - これにより、長期的なタスクにおける成功率が向上する。

3. 技術・手法の肝は？

- 実行フィードバックを用いて、将来のアクションの結合信念を更新する。 - 信念改訂が各未実行アクションに与える影響を学習する。 - 影響を受けたアクションのみをキャッシュされたアクションチャンク内で選択的に修復する。 - 有効なアクションを保持し、深刻な偏差の場合にのみ完全な再計画を実行する。

4. どうやって有効だと検証した？

- CALVIN、L-CALVIN、RLBenchでの評価。 - CALVINでは5ステップ成功率86.6%、10ステップ成功率を56%から63%に改善。 - RLBenchでは平均成功率88.8%。 - 5つの実世界マニピュレーションタスクで平均成功率82.8%。 - 制御された修復実験により、影響を受けるアクションの局所化と有効なアクションの保持の利点を実証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- CALVIN, L-CALVIN, RLBenchに関連する研究。 - 長期的マニピュレーションのための再計画手法やステップごとの修正手法。 - 具体的な論文名は要旨からは不明。

※ 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: Xiyin Zeng, Xuewei Huang, Yi Lu, Weihao Yuan, Hao Wang

分類: cs.RO

原文アブストラクト

Long-horizon robotic manipulation requires robust execution over sequences of interdependent actions. Existing methods typically handle execution deviations by replanning the remaining action chunk or correcting actions step by step as new observations arrive. However, a local deviation may affect only a few actions under distribution shift, yet replanning regenerates the entire chunk from an unfamiliar state, potentially introducing errors into otherwise valid actions. Step-wise correction may react too late, as it does not explicitly anticipate how the deviation affects subsequent actions. We propose ReEnvision, a future-guided selective action repair framework that updates a joint future-action belief using execution feedback. It then learns how the resulting belief revision affects each unexecuted action. The resulting belief revision enables selective repair of only the affected actions within a cached action chunk, preserving valid actions and reserving full replanning for severe deviations. On CALVIN, L-CALVIN, and RLBench, ReEnvision achieves 86.6% 5-step success, improves 10-step success from 56% to 63%, and reaches an average success rate of 88.8%, respectively. On five real-world manipulation tasks, it achieves an average success rate of 82.8%. Controlled repair experiments further demonstrate the benefits of localizing affected actions and preserving valid ones during execution.

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