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:2610.22193

MOSS: ロボットフローマッチング方策のためのモード指向ソース整形

MOSS: Mode-Oriented Source Shaping for Robot Flow Matching Policies

シェア:XThreadsFacebookLINEはてブBluesky

フローマッチング生成方策の初期ノイズをモードごとに整形し、推論時にどの行動モードを実行するかを明示的に選択可能にした手法を提案。

詳しい要約

1. どんなもの？

ロボットマニピュレーションでは同一観測が複数の実行可能行動を許す。diffusion や flow matching などの生成ポリシーは多峰性を捉えるが、どの mode を実行するかはランダムサンプリング任せで能動制御できない。本論文は Mode-Oriented Source Shaping (MOSS) を提案し、mode 選択を生成開始点の明示的選択に変える。source 空間の mode 依存構造を利用し、mode 固有の Gaussian source を構築、modality-strength estimator でその幾何を適応制御する。展開時は対応する成分からサンプリングするだけで所望の行動を選べる。

2. 先行研究と比べてどこがすごい？

従来の diffusion / flow matching ポリシーは多峰性を表現できても mode 選択はランダムで制御不能だった。MOSS は source 空間に mode 依存構造があることを経験的・理論的に示し、mode 選択を初期ノイズの選択として明示化する。これにより目標 mode への誘導率最大 100%、10:90 不均衡データで少数 mode を 90% 以上の guidance rate で回復、実機で mode-conditioned flow policy を 43.3 ポイント上回る。

3. 技術・手法の肝は？

- 決定的 flow transport が source 空間に mode 依存構造を誘導することを経験的・理論的に示す - 理想的な決定的 ODE transport では異なる行動 mode は異なる source 空間 preimage を持つ - 実用上の近似誤差は不均衡データ、限られたモデル容量、少ない推論ステップで境界をぼかす - MOSS は mode 識別を初期ノイズに符号化する意味的に整合した mode 固有 Gaussian source を構築 - modality-strength estimator が局所的な多峰性の度合いを予測 - 行動が類似する領域では共有 Gaussian へ収縮、行動分岐点付近では分離するよう source の幾何を適応制御 - 展開時は対応する成分からサンプリングするだけで所望の行動を選択

4. どうやって有効だと検証した？

6 つのシミュレーションと 3 つの実世界マニピュレーションタスクで検証。MOSS は目標 mode へ最大 100% の確率で誘導し高いタスク成功率を達成。10:90 の不均衡データセット下で少数 mode を 90% 以上の guidance rate で回復。実機では mode-conditioned flow policy を guidance rate で 43.3 ポイント上回った。

5. 議論はある？

要旨からは不明。ただし近似誤差が不均衡データ、限られたモデル容量、少ない推論ステップで mode 境界をぼかす点は理論的・経験的に指摘されている。

6. 次に読むべき論文は？

要旨で参照・比較されている mode-conditioned flow policy、diffusion policy、flow matching policy が次に読むべき候補。関連手法として deterministic ODE transport や multimodal generative policy も挙げられる。

※ 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: Zirun Ma, Jindou Jia, Tuo An, Jiaqi Bai, Jiahua Dong, Jianfei Yang

分類: cs.RO

原文アブストラクト

In robotic manipulation, the same observation often admits multiple feasible actions. Generative policies such as diffusion and flow matching naturally capture such multimodal behaviors, yet which mode is executed is left to random sampling and cannot be actively controlled. We propose Mode-Oriented Source Shaping (MOSS), which turns mode selection into an explicit choice of where generation starts. We first reveal, both empirically and theoretically, that deterministic flow transport induces mode-dependent structure in the source space. Under ideal deterministic ODE transport, distinct behavioral modes have distinct source-space preimages, while practical approximation errors can blur their boundaries due to imbalanced data, limited model capacity, and few inference steps. Motivated by this source-space structure, MOSS constructs semantically aligned mode-specific Gaussian sources that encode mode identity in the initial noise. A modality-strength estimator predicts the local degree of multimodality, which adaptively controls the geometry of the mode-specific sources. It contracts them toward a shared Gaussian where behaviors are similar and separates them near behavioral branching points. During deployment, the desired behavior is selected at inference simply by sampling from the corresponding component. Across 6 simulated and 3 real-world manipulation tasks, MOSS steers to the target mode up to 100% of the time with high task success, recovers minority modes at over 90% guidance rate under a 10:90 imbalance dataset, and surpasses mode-conditioned flow policy by 43.3 points of guidance rate on real robots.

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