マニピュレーション2026/10/31arXiv:2611.00955

タスク特化型言語条件モデルによる精密ロボットマニピュレーション

Task-Specialized Language-Conditioned Models for Fine-Grained Robotic Manipulation

MetaFineコンペ向けに、凍結したDINOv2とCLIPエンコーダに言語条件付き特徴変調とタスク別行動ヘッドを組み合わせた5つのモデルを構築し、接触を考慮した把持フィルタリングや専門家修正でデモを改善して15チーム中3位を獲得した。

詳しい要約

1. どんなもの？

- MetaFine Open Competition (CoRL 2026) への提出システム - 細粒度のロボットマニピュレーションを対象 - 指示文の grounding、頑健な知覚、精密な接触制御が求められる課題 - 5 つの独立に学習したモデルから構成 - 共通アーキテクチャを採用 - タスクごとに action head を分ける構成 - 公式 overall score は 0.914、15 チーム中 3 位 - モデルとタスク固有の挙動を分析

2. 先行研究と比べてどこがすごい？

- 要旨からは不明 - 先行研究との定量的・定性的比較は記述されていない - 記述されている範囲では、共通アーキテクチャを複数タスクに適用しつつ、タスクごとに action head と推論戦略を変える点が特徴 - 競技での順位（15 チーム中 3 位、score 0.914）が相対的な位置づけとして示されるのみ

3. 技術・手法の肝は？

- 共通アーキテクチャ - frozen の DINOv2 と CLIP encoders - trainable な language-conditioned feature modulation - タスク固有の action head - デモンストレーションの改善 - contact-aware grasp filtering - instruction-matched data - insertion 失敗に対する expert correction - 推論時のタスク依存戦略 - photometric test-time augmentation - stochastic action averaging - uncertainty-triggered replanning

4. どうやって有効だと検証した？

- MetaFine Open Competition (CoRL 2026) への公式提出として評価 - 公式 overall score 0.914 - 15 チーム中 3 位 - モデルおよびタスク固有の挙動を分析 - 個々のコンポーネントの ablation や詳細な検証方法は要旨からは不明

5. 議論はある？

- モデルとタスク固有の挙動の分析が行われている - 具体的な議論の内容や限界、失敗事例の詳細は要旨からは不明 - 5 モデル構成や推論時戦略の一般性・コストに関する議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で参照・比較されている研究は明示されていない - 関連手法として以下が挙げられる - DINOv2 - CLIP - language-conditioned feature modulation - photometric test-time augmentation - stochastic action averaging - uncertainty-triggered replanning - 同分野の定番として、instruction grounding や contact-rich manipulation に関する vision-language-action モデルの文献を参照するのが妥当（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: Chanho Kim, Soyun Choi

分類: cs.RO

原文アブストラクト

Fine-grained robotic manipulation requires instruction grounding, robust perception, and precise contact control. We describe our submission to the MetaFine Open Competition at CoRL 2026. Five independently trained models use a common architecture with frozen DINOv2 and CLIP encoders, trainable language-conditioned feature modulation, and task-specific action heads. We improve demonstrations through contact-aware grasp filtering, instruction-matched data, and expert correction of insertion failures. At inference, task-dependent strategies include photometric test-time augmentation, stochastic action averaging, and uncertainty-triggered replanning. Our submission achieves an official overall score of 0.914 and ranks third among 15 teams. We analyze the models and their task-specific behavior.

arXivで原文を読む →arXiv概要ページ

タスク特化型言語条件モデルによる精密ロボットマニピュレーション

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