論文の概要: Habilis-$β$: A Fast-Motion and Long-Lasting On-Device Vision-Language-Action Model

• arxiv url: http://arxiv.org/abs/2602.18813v1
• Date: Sat, 21 Feb 2026 12:15:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.329482
• Title: Habilis-$β$: A Fast-Motion and Long-Lasting On-Device Vision-Language-Action Model
• Title（参考訳）: Habilis-$β$: 高速かつ長時間のオンデバイスビジョン・ランゲージ・アクションモデル
• Authors: Tommoro Robotics, :, Jesoon Kang, Taegeon Park, Jisu An, Soo Min Kimm, Jaejoon Kim, Jinu Pahk, Byungju Kim, Junseok Lee, Namheon Baek, Sungwan Ha, Hojun Baek, Eduardo Ayerve Cruz, Wontae Kim, Junghyeon Choi, Yousuk Lee, Joonmo Han, Sunghyun Cho, Sunghyun Kwon, Soyoung Lee, Jun Ki Lee, Seung-Joon Yi, Byoung-Tak Zhang, Theo Taeyeong Kim,
• Abstract要約: Habilis-$は、現実のデプロイメント用に設計された、デバイス上での高速かつ長期間のビジョン言語アクション(VLA)モデルである。 本稿では,Productivity-Reliability Plane (PRP)を導入し,時間ごとのタスク(TPH)とMTBI(Mean Time Between Intervention)を連続実行プロトコルで評価する。 1時間の連続実行評価では、Habilis-$は、シミュレーションと実環境の両方で$_0.5$に対して、RPPメトリクスで強いパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 24.23805196139948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Habilis-$β$, a fast-motion and long-lasting on-device vision-language-action (VLA) model designed for real-world deployment. Current VLA evaluation remains largely confined to single-trial success rates under curated resets, which fails to capture the fast-motion and long-lasting capabilities essential for practical operation. To address this, we introduce the Productivity-Reliability Plane (PRP), which evaluates performance through Tasks per Hour (TPH) and Mean Time Between Intervention (MTBI) under a continuous-run protocol that demands both high-speed execution and sustained robustness. Habilis-$β$ achieves high performance by integrating language-free pre-training on large-scale play data for robust interaction priors with post-training on cyclic task demonstrations that capture state drift across consecutive task iterations. The system further employs ESPADA for phase-adaptive motion shaping to accelerate free-space transit, utilizes rectified-flow distillation to enable high-frequency control on edge devices, and incorporates classifier-free guidance (CFG) as a deployment-time knob to dynamically balance instruction adherence and learned interaction priors. In 1-hour continuous-run evaluations, Habilis-$β$ achieves strong performance under the PRP metrics, compared to $π_{0.5}$ in both simulation and real-world environments. In simulation, Habilis-$β$ achieves 572.6 TPH and 39.2 s MTBI (vs. 120.5 TPH and 30.5 s for $π_{0.5}$), while in a real-world humanoid logistics workflow it achieves 124 TPH and 137.4 s MTBI (vs. 19 TPH and 46.1 s for $π_{0.5}$). Finally, Habilis-$β$ achieves the highest reported performance on the standard RoboTwin 2.0 leaderboard across representative tasks, validating its effectiveness in complex manipulation scenarios.
• Abstract（参考訳）: 実世界展開用に設計された,高速かつ長時間のデバイス上での視覚-言語-アクション(VLA)モデルであるHabilis-$β$を紹介する。 現在のVLA評価は、未熟なリセット下での単心室成功率に限られており、実用運用に必要な速さと長期の能力の獲得に失敗している。 これを解決するために、高速実行と持続ロバスト性の両方を必要とする連続実行プロトコルの下で、TPH(Tasks per Hour)とMTBI(Mean Time Between Intervention)によるパフォーマンス評価を行うProductivity-Reliability Plane (PRP)を導入する。 Habilis-$β$は、連続したタスクイテレーション間の状態ドリフトをキャプチャするサイクリックタスクデモの後のトレーニングと、ロバストな相互作用に先立って、大規模プレイデータに言語フリーの事前トレーニングを統合することで、高いパフォーマンスを実現する。 このシステムは、位相適応型モーションシェーピングにESPADAを使用し、自由空間移動を加速し、整流蒸留を利用してエッジデバイス上での高周波制御を可能にし、分類器フリーガイダンス(CFG)をデプロイ時ノブとして組み込んで、命令の順守と学習前の相互作用を動的にバランスさせる。 1時間の連続実行評価では、Habilis-$β$は、シミュレーションと実環境の両方で$π_{0.5}$と比較して、RPPの指標の下で強い性能を達成する。 シミュレーションでは、Habilis-$β$ は 572.6 TPH と 39.2 s MTBI (vs. 120.5 TPH と 30.5 s for $π_{0.5}$) を達成するが、現実のヒューマノイドのロジスティクスワークフローでは 124 TPH と 137.4 s MTBI (vs. 19 TPH と 46.1 s for $π_{0.5}$) を達成する。 最後に、Habilis-$β$は、代表的なタスクで標準のRoboTwin 2.0のリーダーボード上で報告された最高のパフォーマンスを達成し、複雑な操作シナリオにおけるその効果を検証する。

関連論文リスト

• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers [12.373320641721344]
  大型ビジョンランゲージ・アクション(VLA)モデルは、その印象的な一般化能力のためにロボット制御において有望であることが示されている。 数十億のパラメータを持つVLMバックエンドへの依存は、高い計算コストと遅延推定につながる。 本稿では,柔軟な周波数・性能トレードオフを実現する階層型ロボットトランスフォーマフレームワークであるHiRTを提案する。
  論文  参考訳（メタデータ） (2024-09-12T09:18:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。