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:2611.04477

スペクトルルーティング拡散ポリシーによるマルチタスクロボットマニピュレーション

Spectrally Routed Diffusion Policy for Multi-Task Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

凍結VGGTエンコーダで識別性の高い視覚条件を作り、SVD分解とスペクトルルーティングでタスク間の干渉を抑える拡散ポリシーを提案し、マルチタスク操作の成功率を向上させた。

詳しい要約

1. どんなもの？

- 複数のロボット操作タスクを単一モデルで学習する Diffusion-based policy の新手法 SR-DP (Spectrally Routed Diffusion Policy) を提案する研究。 - 単一タスク専用の specialist と比較して、joint training した単一モデルが性能低下する問題に対処する。 - 視覚条件の識別性不足と、非整合な action mode 間の勾配干渉という2課題に着目する。

2. 先行研究と比べてどこがすごい？

- 従来の diffusion-based policy は単一タスクで高い性能を示すが、multi-task の joint training では per-task specialist に劣る。 - 提案手法は six RoboTwin tasks で平均 68.4% の成功率を達成し、multi-task VO-DP を 21.8 ポイント、最強の per-task baseline を 3.8 ポイント上回る。 - 実世界の four real-world bimanual tasks でも Stage 2 が平均 43.0% を達成し、Stage 1 から 19.0 ポイント改善する。

3. 技術・手法の肝は？

- frozen VGGT encoder と spatial-compression adapter により、compact な multi-scale semantic-geometric tokens を生成し、workspace を共有するタスクに対する task-discriminative な視覚条件を得る。 - まず denoiser を標準的な diffusion policy として学習する。 - その後、選択した linear layers を SVD で分解し、frozen な orthogonal rank-one experts の basis に変換する。 - spectral routing と Householder input rotations により適応させる。

4. どうやって有効だと検証した？

- six RoboTwin tasks で評価し、平均成功率 68.4% を報告。multi-task VO-DP と最強の per-task baseline と比較する。 - four real-world bimanual tasks で Stage 2 の平均成功率 43.0% を報告し、Stage 1 との比較で 19.0 ポイントの改善を示す。 - 詳細な実験設定や ablation は要旨からは不明。

5. 議論はある？

- 要旨からは不明。 - 勾配干渉や視覚条件の識別性に関する定量的な分析、限界、失敗事例については要旨に記載がない。

6. 次に読むべき論文は？

- multi-task VO-DP（比較対象として明示） - VGGT encoder（視覚バックボーンとして利用） - SVD ベースのパラメータ分解や Householder rotation を用いた関連手法（spectral routing の基盤として関連） - diffusion policy の代表的手法（同分野の定番として）

※ 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: Mingcong Li, Yihan Zhou, Jiayu Qu, Xueyang Guo, Yilin Mo

分類: cs.RO

原文アブストラクト

Diffusion-based policies have achieved strong performance on single-task robotic manipulation. However, a single model trained jointly on multiple tasks consistently underperforms the per-task specialists trained on the same demonstrations. We focus on two challenges. First, the convolutional encoders commonly used in diffusion-based policies produce visual conditions that are not discriminative enough. Second, gradients from incompatible action modes update the shared denoiser's dense parameters along the same directions, causing destructive interference during joint training. To address both, we propose SR-DP (Spectrally Routed Diffusion Policy). A frozen VGGT encoder with a spatial-compression adapter produces compact multi-scale semantic-geometric tokens, a task-discriminative visual condition for tasks that share a workspace. We first train the denoiser as a standard diffusion policy, then decompose selected linear layers by SVD into a frozen basis of orthogonal rank-one experts, adapted through spectral routing and Householder input rotations. On six RoboTwin tasks, SR-DP averages a 68.4% success rate, surpassing multi-task VO-DP by 21.8 points and the strongest per-task baseline by 3.8 points. On four real-world bimanual tasks, Stage 2 reaches a 43.0% average success rate and improves over Stage 1 by 19.0 points.

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