UniCon: A Unified System for Efficient Robot Learning Transfers

arXiv cs.RO / 4/6/2026

💬 OpinionDeveloper Stack & InfrastructureTools & Practical UsageModels & Research

共有:

Key Points

UniConは、異種ロボット間で学習ベースのコントローラを移植する際のプラットフォーム差・不整合なインターフェース・非効率なミドルウェアといった課題を、状態と制御ロジックの分離と標準化で解決する軽量フレームワークとして提案されています。
ワークフローを実行グラフに分解し、再利用可能なコンポーネントとして扱うことで、ロボットの形状（モルフォロジー）が異なってもプラグ&プレイでデプロイできることを狙っています。
従来のミドルウェアよりも効率を重視し、バッチ化・ベクトル化したデータフローにより通信オーバーヘッドを抑え、推論レイテンシを改善すると述べています。
UniConは、ROSベースと比較して推論効率が高く、ワークフロー移植時のコード重複を削減できたと報告されています。
7社・12以上のロボットモデルに導入され、継続中の研究プロジェクトへ統合されるなど、現実環境でのsim-to-real移行に有効性が示されています。

Abstract

Deploying learning-based controllers across heterogeneous robots is challenging due to platform differences, inconsistent interfaces, and inefficient middleware. To address these issues, we present UniCon, a lightweight framework that standardizes states, control flow, and instrumentation across platforms. It decomposes workflows into execution graphs with reusable components, separating system states from control logic to enable plug-and-play deployment across various robot morphologies. Unlike traditional middleware, it prioritizes efficiency through batched, vectorized data flow, minimizing communication overhead and improving inference latency. This modular, data-oriented approach enables seamless sim-to-real transfer with minimal re-engineering. We demonstrate that UniCon reduces code redundancy when transferring workflows and achieves higher inference efficiency compared to ROS-based systems. Deployed on over 12 robot models from 7 manufacturers, it has been successfully integrated into ongoing research projects, proving its effectiveness in real-world scenarios.