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:2610.32225

再利用可能な行動プリミティブを学習するロボット操作手法RoboCode

RoboCode: Learning Reusable Action Primitives for Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

複数タスクで共有される短期的な行動パターンをソフトゲート付きプリミティブのコードブックとして学習し、操作タスクの成功率と解釈性を向上させた研究。

詳しい要約

1. どんなもの？

- ロボット操作のための新しい方策学習フレームワーク RoboCode を提案 - 観測から連続 action chunk を直接予測するのではなく、再利用可能な短時間運動パターン（primitive）の soft な合成として action chunk を表現 - 複数タスクの action chunk から共有 primitive interface を学習し、その後 freeze してタスク固有の state encoder を学習 - ManiSkill の5タスクで評価

2. 先行研究と比べてどこがすごい？

- 従来の連続 action chunk 直接予測は action 空間の再利用構造を明示的にモデル化しない - 各 action chunk を単一の離散 code に割り当てるのではなく、複数学習 primitive の soft composition として表現する点が特徴 - 複数タスク横断で primitive interface を学習・共有し、タスク固有 encoder を後から学習する分離設計 - 閉ループ成功率 75.6% で ACT の 68.8%、より大規模な Diffusion Policy の 41.6% を上回る

3. 技術・手法の肝は？

- 共有 soft-gated primitive action interface を導入 - action chunk を複数の学習済み primitive の soft な合成として表現（単一離散 code 割当ではない） - primitive interface は複数タスクから pooled した action chunk で学習し、その後 freeze - タスク固有 state encoder が現在状態を共有 latent space に写像 - 短時間 action の中間表現として柔軟かつ解釈可能な codebook を形成

4. どうやって有効だと検証した？

- ManiSkill の5つの操作タスクで3つの問いを検証 - 学習 primitive interface の action chunk 再構成 MSE は平均 0.0187 - code activation 分析によりタスク横断の構造的な code 再利用を確認 - 閉ループ成功率で全タスク最高または同率、平均 75.6%（ACT 68.8%、Diffusion Policy 41.6%）

5. 議論はある？

- soft-gated primitive codebook が有効かつ解釈可能な中間 action 表現であると示唆 - タスク横断の code 再利用が観察され、再利用構造の明示的モデル化の利点を支持 - 限界・失敗事例・計算コスト・スケーラビリティに関する議論は要旨からは不明 - 評価は ManiSkill の5タスクに限られ、実機や他ドメインへの一般化は要旨からは不明

6. 次に読むべき論文は？

- ACT（Action Chunking Transformer） - Diffusion Policy - ManiSkill ベンチマーク関連研究 - action chunking / action primitive 学習に関する研究 - 離散 codebook・VQ 系表現学習（soft composition の比較対象として）

※ 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: Xianyue Peng, Devi Amarsaikhan, Iman Soltani

分類: cs.RO, cs.LG

原文アブストラクト

Recent robot manipulation policies commonly predict continuous action chunks directly from observations, without explicitly modeling reusable structure in the action space. However, manipulation demonstrations often contain recurring short-horizon motion patterns that are shared across tasks. We introduce \textsc{RoboCode}, which learns these patterns through a shared soft-gated primitive action interface. Rather than assigning each action chunk to a single discrete code, \textsc{RoboCode} represents it as a soft composition of multiple learned primitives, providing a flexible intermediate representation of short-horizon actions. The primitive interface is learned from action chunks pooled across multiple tasks and then frozen while task-specific state encoders are trained to map current state inputs into the shared latent space. Experiments on five ManiSkill manipulation tasks address three questions. First, the learned primitive interface reconstructs action chunks with an average reconstruction MSE of 0.0187. Second, analysis of code activations reveals structured code reuse across tasks. Third, \textsc{RoboCode} achieves the highest or tied closed-loop success rate on all evaluated tasks, with an average success rate of 75.6%, compared with 68.8% for ACT and 41.6% for the larger Diffusion Policy baseline. These results suggest that soft-gated primitive codebooks provide an effective and interpretable intermediate action representation for robot manipulation.

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