論文の概要: CORAL: Scalable Multi-Task Robot Learning via LoRA Experts

• arxiv url: http://arxiv.org/abs/2603.09298v1
• Date: Tue, 10 Mar 2026 07:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.147974
• Title: CORAL: Scalable Multi-Task Robot Learning via LoRA Experts
• Title（参考訳）: CoRAL: LoRAエキスパートによるスケーラブルなマルチタスクロボット学習
• Authors: Yuankai Luo, Woping Chen, Tong Liang, Zhenguo Li,
• Abstract要約: 実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
• 参考スコア（独自算出の注目度）: 49.759823970016974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deploying Vision-Language-Action (VLA) models in real-world robotics exposes a core multi-task learning challenge: reconciling task interference in multi-task robotic learning. When multiple tasks are jointly fine-tuned in a single stage, gradients from different tasks can conflict, causing negative transfer and reducing per-task performance. Yet maintaining a separate full checkpoint per task is often storage- and deployment-prohibitive. To address this dilemma, we present CORAL, a backbone- and embodiment-agnostic framework designed primarily to mitigate multi-task interference while remaining naturally extensible to a continuous stream of new tasks. CORAL freezes a single pre-trained VLA backbone and attaches one lightweight Low-Rank Adaptation (LoRA) expert per task; at runtime, a dynamic inference engine (the CORAL Manager) routes language instructions to the appropriate expert and swaps experts on the fly with zero inference overhead. This strict parameter isolation avoids complex gating networks and prevents parameter-level cross-task interference by construction; as an added capability, it also enables sequentially introducing new tasks without parameter overwriting caused by catastrophic forgetting. We validate CORAL on a real-world Galaxea R1 dual-arm mobile manipulator and three simulation benchmarks (LIBERO, WidowX, Google Robot), where CORAL overcomes fine-grained instructional ambiguity and substantially outperforms joint training, yielding a practical and scalable system for lifelong multi-task robot learning. Website: https://frontierrobo.github.io/CORAL
• Abstract（参考訳）: 現実のロボットにVLA(Vision-Language-Action)モデルをデプロイすることは、マルチタスクのロボット学習におけるタスク干渉の解決という、中核的なマルチタスク学習課題を明らかにする。 複数のタスクが1つのステージで共同で微調整されると、異なるタスクからの勾配が相反し、負の転送が発生し、タスク毎のパフォーマンスが低下する。 しかし、タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントを阻害する。 このジレンマに対処するために、我々は、主にマルチタスク干渉を軽減しつつ、新しいタスクの連続ストリームに自然に拡張可能な、バックボーンおよびエンボディメントに依存しないフレームワークであるCORALを提案する。 実行時に動的推論エンジン(CORAL Manager)が言語命令を適切な専門家にルーティングし、オンザフライで専門家をゼロの推論オーバーヘッドで置き換える。 この厳密なパラメータ分離は複雑なゲーティングネットワークを回避し、構成によるパラメータレベルのクロスタスク干渉を防ぐ。 実世界のGalaxea R1デュアルアーム移動マニピュレータと3つのシミュレーションベンチマーク(LIBERO, WidowX, Google Robot)でCORALを検証する。 ウェブサイト:https://frontierrobo.github.io/CORAL

関連論文リスト

• One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning [32.13266149565313]
  UniZeroのようなマルチタスクの世界モデルは、シングルタスク設定で優れている。 勾配の矛盾やモデル塑性の喪失はサンプルの効率を阻害することが多い。 本研究では,これらの課題を2つの相補的な視点 – 単一学習イテレーションと全体学習プロセス – から解決する。
  論文  参考訳（メタデータ） (2025-09-09T17:27:53Z)
• ThanoRA: Task Heterogeneity-Aware Multi-Task Low-Rank Adaptation [96.86211867758652]
  Low-Rank Adaptation (LoRA) は、基礎モデルの下流の微調整に広く採用されている。 タスク不均一性を考慮したマルチタスク低ランク適応フレームワークであるTanoRAを提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:01:45Z)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays [5.206057210246862]
  本稿では,動的倉庫環境におけるリアルタイムマルチロボットタスク割り当て問題に対処する。 マルチエージェント強化学習フレームワークであるMRTAgentを紹介する。 安全なナビゲーションには、修正線形二次コントローラ(LQR)アプローチが使用される。
  論文  参考訳（メタデータ） (2025-02-22T04:59:27Z)
• Sparse Diffusion Policy: A Sparse, Reusable, and Flexible Policy for Robot Learning [61.294110816231886]
  我々はスパース・リユース・フレキシブル・ポリシー、スパース・ディフュージョン・ポリシー(SDP)を導入する。 SDPは、エキスパートとスキルを選択的に活性化し、モデル全体をトレーニングすることなく、効率的でタスク固有の学習を可能にする。 デモとコードはhttps://forrest-110.io/sparse_diffusion_policy/にある。
  論文  参考訳（メタデータ） (2024-07-01T17:59:56Z)
• Multi-Task Models Adversarial Attacks [25.834775498006657]
  マルチタスク学習はマルチタスクモデルとして知られる特異モデルを開発し、複数のタスクを同時に実行する。 シングルタスクモデルのセキュリティは徹底的に研究されているが、マルチタスクモデルはいくつかの重要なセキュリティ問題を引き起こす。 本稿では,これらの質問に対して,詳細な分析と厳密な実験を通じて対処する。
  論文  参考訳（メタデータ） (2023-05-20T03:07:43Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)

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。