差動増幅器に着想を得たAmpAttentionによるマルチビューロボット操作
本研究では、アナログ回路の差動増幅器に着想を得た新しいアテンション機構AmpAttentionを提案し、マルチビューロボット操作におけるアテンションドリフトを抑制する。これに基づくRVAFモデルは、18のRLBenchタスク（249バリエーション）で最先端の平均成功率を達成し、トレーニング時間を33.3%削減。拡張版RVAF++はSAM2画像エンコーダを統合し、「ピグ挿入」タスクで91%の成功率を達成。本論文はIROS2026に採択された。
研究チームは、アナログ回路の差動増幅器に着想を得た新しいアテンション機構AmpAttentionを提案しました。この機構は、マルチビューロボット操作におけるアテンションドリフトの問題を解決することを目的としています。本成果は国際ロボット学会議IROS2026に採択され、arXivで公開されています。
マルチビューロボット操作手法は近年大きな進歩を遂げていますが、ロボット視点画像に固有の冗長性、遮蔽、視点依存性により、アテンション機構にドリフトが生じ、性能が低下する課題がありました。研究者らは差動増幅器の原理にヒントを得て、AmpAttentionを設計しました。差動増幅器が同相ノイズを抑制し差動信号を抽出するのと同様に、AmpAttentionはアテンションノイズを抑制し、高信号対雑音比の信号を捕捉することで、より信頼性の高い認識を実現します。
AmpAttentionに基づき、チームはさらにRVAF（Robust View Attention Fusion）モデルを提案しました。このモデルは、タスク誘導型のビュー内およびビュー間AmpAttentionを統合しています。RVAFの核心は、差動増幅の原理を用いてアテンション計算における共通のノイズ成分を除去し、タスクに関連する差異化特徴を保持することにあります。実験の結果、RVAFはRLBenchベンチマークの18タスク（249バリエーション）において、従来の最先端手法と比較して最適な平均成功率を達成し、トレーニング時間を33.3%削減しました。また、RVAFは実世界の高精度タスクでも強力な可能性を示し、例えばダーツを拾い上げて正確に赤い的の中心に挿入することができました。
さらに、チームはRVAFを拡張したRVAF++を開発し、SAM2画像エンコーダを組み込みました。SAM2は高度なセマンティックセグメンテーションモデルであり、より細かい視覚特徴を提供することで、高精度操作における目標位置の正確な特定を支援します。RVAF++は「ピグ挿入」タスクで91%の成功率を達成し、ベースライン手法から顕著な向上を示しました。論文の定性結果は匿名プロジェクトウェブサイトで公開されており、様々なタスクにおけるモデルの性能を示しています。
本研究は、マルチビューロボット操作におけるアテンション機構の設計に新たな方向性を提供し、将来的にはより広範なロボット操作シナリオでの応用が期待されます。研究者らは、AmpAttentionを他の視覚タスクに適用する可能性についてもさらに探求する予定です。