ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
Reliable real-time failure detection is critical for deploying learned robotic policies, yet defining failures explicitly is infeasible in open-world settings. This motivates failure detection from nominal demonstrations alone.
Scaling robot manipulation policies requires large amounts of diverse, action-labeled data, yet collecting such data in the real world remains expensive and difficult to scale. Existing methods either depend on human teleoperation, rely on simulation with limited visual realism, or use human videos that lack embodiment-specific annotations.
Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation. To enable systematic evaluation under these conditions, we introduce AutoBio+, a simulation benchmark and framework for dexterous manipulation in realistic biological laboratory environments.
World-action models (WAMs) predict a robot's actions together with the observations those actions will produce. However, the strongest models rely on video diffusion transformers that are far too computationally expensive for resource-constrained edge devices.
Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts. However, accumulated experience varies in its value for policy improvement, and even successful trajectories can contain inefficient or redundant behavior, motivating more selective experience reuse.
This paper presents a dual-quadrotor hook- suspended transport system for cooperative aerial manipulation of a payload that is not rigidly attached to a fixed point along the cable. Two quadrotors are connected by a single inextensible cable that passes through a frictionless hook mounted on the payload, allowing the cable to slide between its two segments.
The NIST Assembly Task Board #1 remains a challenging benchmark for learning-based methods in robotic manipulation. Over short horizons, it demands precise, contact-rich control of small, tight-fitting parts.
Autoregressive robot policies rely on action tokenizers to convert continuous action chunks into compact sequences of discrete prediction targets. Existing tokenizers can reconstruct action chunks from discrete codes, but often leave implicit what each individual token contributes to the reconstructed action.
Collecting dexterous manipulation demonstrations for each robot hand requires repeated task-specific data acquisition. We ask whether one shared corpus of natural human demonstrations can instead serve as a reusable data interface for different dexterous hands, without collecting task demonstrations on each target robot.
Action-conditioned world models offer a promising foundation for generalist robotic intelligence by predicting the consequences of actions. However, existing robotic datasets provide limited coverage of the diverse interaction dynamics required for generalizable world modeling.
World Action Models (WAMs) inherit powerful priors from pretrained video generation models, but their variational autoencoder (VAE) representations are optimized for visual reconstruction rather than manipulation. External visual representations can improve manipulation, but existing methods couple representation choices with different integration mechanisms, obscuring their individual effects.
本論文は、フロンティアモデルの推論を低遅延のローカルポリシーに橋渡しする2つの手法を提案した。GPT-6 Astraに修正デモセグメントを文脈に与えて自律的に操作軌道を生成し、OpenPI π0.5ポリシーを訓練する。さらに、同じデモをプリミティブ、アトミック、コンポジットの3粒度と複数表現で教師することで、長期的タスクでの指示追従を改善した。プレプリントである。
AdaTempoは、複数の遠隔操作デモに共通する相対的な速さの分布を教師信号として、模倣学習ポリシーの実行を加速するオフライン手法である。デモを位相整合し、相対テンポの合意を連続的な加速プロファイルへ変換して学習軌道を再サンプリングする。シミュレーション5タスクと実機6タスクで最大3.57倍の高速化を達成し、成功率と速度のトレードオフを改善した。本論文はプレプリントである。
ロボットの残りの関節経路を弧長パラメータ化したBスプライン係数で表すプロプリオセプティブスケッチと、実行可能な短期的行動チャンクを単一のトランスフォーマーデノイザーで同時生成するProprioceptive Action Models（PAM）を提案した。シミュレーションのPush-TとLIBERO-Longで行動のみのベースラインを上回り、実機の双腕4タスクでは成功率を47.5%から75.0%に向上させた。本論文は査読の記録がないarXivプレプリントである。
本論文はarXivで公開されたプレプリントである。ロボットのデモンストレーションから物体のキーポイント軌道・接触点・終端状態だけを抽出した「エフェクトプログラム」を生成し、それを条件として実行軌道を生成する世界行動モデルPEWAMを提案した。LIBEROの未学習タスクで1回のデモから90エピソード中40を成功させ、既存手法の最大19を上回り、実機Frankaアームでは人間のビデオから40試行中36を成功させた。
本研究はプレプリントである。DynaHarness は意味推論と物理実行を共有実行契約で結びつけ、失敗記録から再利用可能な能力を修正する動的物理ハーネスである。LIBERO-Pro で凍結方策の 17.5% に対し新規初期状態 800 件で 75.2% を達成し、同じ能力ライブラリでも動的実行が 74.0% と一段階再計画の 63.9% を上回った。
Dream4ACTは、異なる関節構成を持つロボットの目標関節状態を固定形状の多視点画像群であるアクションビューとして表現し、映像拡散モデルでRGB観測と統合学習するプレプリントである。RoboTwin 2.0では平均88.98%の成功率、TriWorldBenchでは65.66点を達成し、4種類の実機プラットフォームで同一チェックポイントによる操作を報告した。学習済みのロボット固有アクションデコーダを不要にする点が重要である。
RoboCoachは、世界モデル内で長いタスクを模擬実行し、最初に失敗する部分作業と対応技能専門家を特定して追加実演を要求する枠組みである。このプレプリントでは、2つのシミュレーション環境と2台の実機で評価し、実機では150件の部分作業実演を追加するだけでFrankaの成功率を13.3%から75.0%に、AgileXを40.0%から83.8%に改善したと報告している。さらに、更新した専門家は未学習の4つの構成タスクで平均35.0%の成功率を示し、均一取得の共有方策ベースラインの0%を上回った。
World-Action Models (WAMs) couple visual dynamics with action prediction, bringing the rich priors of pretrained video models to robotic manipulation. However, their multi-view interfaces typically tile images or concatenate tokens, leaving the geometric relationships among synchronized cameras implicit.
Robot policies are frequently trained from human corrections, yet teleoperating a robot to provide corrections is burdensome, and human demonstrators are not always optimal. We propose Blended DAgger (BlenDAgger), an approach for collecting data to train imitation learning policies by using shared control to blend the policy's and demonstrator's actions during interventions.
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。