マニピュレーション2026/10/14arXiv:2610.19753

Coordi-π: 両手巧みな操作のための協調を考慮したデュアルハンド行動表現

Coordi-pi: Coordination-Aware Dual-Hand Action Representation for Bimanual Dexterous Manipulation

両手の腕と手の行動を交互に並べたトークン列として表現し、手の識別と時間同期を明示的に組み込むことで、両手巧みな操作のVLAモデルの性能を向上させた研究。

詳しい要約

1. どんなもの？

- 両手巧み操作のためのVLAモデル向け行動表現「Coordi-π」を提案。 - 左右のarm-hand行動を個別のaction tokenとし、interleaved sequenceに構成。 - hand-identity embeddingとfactorized RoPEで手の識別と時間同期を明示。 - DexJoCoの5タスクと実世界4タスクで評価。

2. 先行研究と比べてどこがすごい？

- 既存の両手VLAは左右のarm-hand行動を各制御timestepで連結し、cross-hand相互作用が単一action vector内で暗黙的。 - Coordi-πはinterleaved sequenceで両側を明示的に露出。 - DexJoCoのrand-objでπ0.5の31.9%から51.3%、rand-fullで18.3%から32.3%へ平均成功率を改善。 - 実世界4タスクでもπ0.5を一貫して上回る。

3. 技術・手法の肝は？

- 左右のarm-hand行動を個別のaction tokenに分解。 - それらをinterleaved sequenceに配置。 - 学習可能なhand-identity embeddingで左右を区別。 - sequence-control-timestep factorized RoPEで系列位置と制御timestepを分離。 - 同一制御timestepの行動は時間座標を共有しつつ、異なる系列位置を保持。

4. どうやって有効だと検証した？

- DexJoCoの5つの両手巧み操作タスクで評価。 - rand-objとrand-fullの両設定でstate-of-the-art性能を達成。 - 平均成功率をπ0.5と比較：rand-objで31.9%→51.3%、rand-fullで18.3%→32.3%。 - 実世界の両手巧み操作4タスクでもπ0.5を一貫して上回る。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コスト、一般化性に関する議論は要旨に記載なし。

6. 次に読むべき論文は？

- π0.5（比較対象のベースラインVLA） - DexJoCo（評価ベンチマーク） - その他のbimanual VLA policies（既存の両手VLA政策）

※ 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: Yiming Meng, Yanming Shao, Weijie Shen, Kunyang Lin, Jiayu Sun, Ping Luo, Yao Mu

分類: cs.RO

原文アブストラクト

Vision-language-action (VLA) models have shown strong potential for general-purpose robotic manipulation, but extending them to bimanual dexterous manipulation introduces a high-dimensional and structured action space. Existing bimanual VLA policies commonly concatenate right- and left-side arm--hand actions at each control timestep, leaving cross-hand interactions implicit within a single action vector. We introduce Coordi-$π$, a structured action representation for bimanual dexterous manipulation. Coordi-$π$ represents the right- and left-side arm--hand actions as individual action tokens and organizes them into an interleaved sequence, explicitly exposing the two sides within the action sequence. To explicitly encode hand identity and temporal synchronization in this interleaved representation, a learnable hand-identity embedding distinguishes the two sides, while sequence--control-timestep factorized rotary positional encoding (RoPE) separates sequence position from control timestep, allowing actions at the same control timestep to share a temporal coordinate while retaining distinct sequence positions. Across all five bimanual dexterous manipulation tasks in DexJoCo, Coordi-$π$ achieves state-of-the-art performance under both \textit{rand-obj} and \textit{rand-full}, improving the average success rate over $π_{0.5}$ from 31.9\% to 51.3\% and from 18.3\% to 32.3\%, respectively. Coordi-$π$ also consistently outperforms $π_{0.5}$ across four real-world bimanual dexterous manipulation tasks.

arXivで原文を読む →arXiv概要ページ

Coordi-π: 両手巧みな操作のための協調を考慮したデュアルハンド行動表現

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文