論文の概要: Grounding Robot Generalization in Training Data via Retrieval-Augmented VLMs

• arxiv url: http://arxiv.org/abs/2603.11426v2
• Date: Wed, 18 Mar 2026 17:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.704081
• Title: Grounding Robot Generalization in Training Data via Retrieval-Augmented VLMs
• Title（参考訳）: 検索付加VLMによる学習データにおける接地ロボットの一般化
• Authors: Jensen Gao, Dorsa Sadigh, Sandy Huang, Dhruv Shah,
• Abstract要約: RADARは、テスト時間評価タスクとポリシートレーニングデータを比較するためのフレームワークである。 本稿では,視覚言語モデル(VLM)が一般化のためのデータ解析に有効であることを示す。 我々はRADARを大規模データセットに拡張し、人間の定義したベンチマーク条件との一致を観察する。
• 参考スコア（独自算出の注目度）: 28.877758891217184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work on robot manipulation has advanced policy generalization to novel scenarios. However, it is often difficult to characterize how different evaluation settings actually represent generalization from the training distribution of a given policy. To work towards more precise evaluation of generalization in robotics, we propose RADAR, a scalable framework for directly comparing test-time evaluation tasks to policy training data, to determine what form of policy generalization is required. RADAR consists of a two-stage pipeline: first, retrieval using generalist policy embeddings identifies which training examples are relevant for a given evaluation task. Next, vision-language models (VLMs) analyze the evaluation task against the retrieved data, outputting interpretable analysis on how they compare along a variety of axes, and an overall classification of what type of policy generalization is required. Through controlled experiments, we demonstrate that VLMs are effective at analyzing data for generalization, and that our retrieval step effectively identifies examples needed to make accurate classifications with respect to the training data. Furthermore, we scale RADAR to large-scale datasets, where we observe agreement with human-defined benchmark conditions from prior work. We provide demonstrations at radar-analysis.github.io.
• Abstract（参考訳）: ロボット操作に関する最近の研究は、新しいシナリオに先進的な政策一般化をもたらした。 しかし、ある政策のトレーニング分布から、異なる評価設定が実際にどのように一般化を表現しているかを特徴付けることはしばしば困難である。 ロボット工学における一般化のより正確な評価に向けて、テスト時間評価タスクとポリシートレーニングデータを直接比較するスケーラブルなフレームワークRADARを提案し、政策一般化の形式を決定する。 RADARは2段階のパイプラインで構成されている: まず、ジェネリストポリシー埋め込みを用いた検索は、与えられた評価タスクに関連するトレーニング例を特定する。 次に、視覚言語モデル(VLM)は、検索したデータに対する評価タスクを分析し、様々な軸をどのように比較するかの解釈可能な分析を行い、どの種類の政策一般化が必要なのかを総合的に分類する。 制御された実験により, VLMは一般化のためのデータ解析に有効であり, 学習データに対して正確な分類を行うために必要な例を効果的に同定する。 さらに、RADARを大規模データセットに拡張し、人間の定義したベンチマーク条件との一致を先行作業から観察する。 radar-analysis.github.ioでデモを行います。

関連論文リスト

• Shortcut Learning in Generalist Robot Policies: The Role of Dataset Diversity and Fragmentation [117.54237701533805]
  Open X-Embodiment (OXE)のような大規模データセットでトレーニングされた汎用的なロボットポリシーは、幅広いタスクにわたって強力なパフォーマンスを示している。 彼らはしばしば、トレーニングデータの分布を超えて一般化するのに苦労する。 我々は,ショートカット学習を一般化の鍵となる障害として認識する。
  論文  参考訳（メタデータ） (2025-08-08T16:14:01Z)
• RoboArena: Distributed Real-World Evaluation of Generalist Robot Policies [125.35572632340602]
  本稿では,実世界における汎用ロボットポリシーのスケーラブルな評価手法であるRoboArenaを提案する。 固定タスク,環境,場所に関する評価を標準化する代わりに,評価者の分散ネットワークにまたがるクラウドソース評価を提案する。 我々は、DROIDロボットプラットフォームを用いて、7つの学術機関における評価者のネットワークにアプローチをインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-22T18:13:31Z)
• STRAP: Robot Sub-Trajectory Retrieval for Augmented Policy Learning [8.860366821983211]
  STRAPは、トレーニング済みの視覚基盤モデルと動的時間ワープを利用して、大規模なトレーニングコーパスからトラジェクトリのサブシーケンスを堅牢に検索する技術である。 本研究では、事前学習された視覚基盤モデルと動的時間ワープを活用して、大規模学習コーパスからのトラジェクトリのサブシーケンスをロバストに検索するSTRAPを提案する。
  論文  参考訳（メタデータ） (2024-12-19T18:54:06Z)
• Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance [66.51390591688802]
  バリューガイド型ポリシーステアリング(V-GPS)は、ポリシーの重みを微調整したり、アクセスしたりすることなく、幅広い種類のジェネラリストポリシーと互換性がある。 同じ値関数は、異なるアーキテクチャで5つの最先端ポリシーの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:46:26Z)
• DMC-VB: A Benchmark for Representation Learning for Control with Visual Distractors [13.700885996266457]
  行動クローニングやオフライン強化学習(RL)を通じて収集されたデータから学習することは、ジェネラリストエージェントをスケールするための強力なレシピである。 オフラインRLエージェントの堅牢性を評価するため,DeepMind Control Visual Benchmark (DMC-VB) をDeepMind Control Suiteで収集した。 そこで,本研究では,事前学習のための表現学習手法を評価するための3つのベンチマークを提案し,最近提案したいくつかの手法の実験を行った。
  論文  参考訳（メタデータ） (2024-09-26T23:07:01Z)
• Foundation Policies with Hilbert Representations [54.44869979017766]
  ラベルなしオフラインデータから一般ポリシーを事前学習するための教師なしフレームワークを提案する。 我々の重要な洞察は、基盤となる環境の時間的構造を保存する構造的表現を学習することである。 実験の結果、教師なしのポリシーは、ゴール条件付きおよび一般のRLタスクをゼロショットで解決できることがわかった。
  論文  参考訳（メタデータ） (2024-02-23T19:09:10Z)
• BIRB: A Generalization Benchmark for Information Retrieval in Bioacoustics [7.68184437595058]
  本稿では,受動的に記録されたデータセットから鳥の発声を検索する複雑なベンチマークであるBIRBを提案する。 本稿では,表現学習と最寄りのセントロイド探索を用いたタスクコレクションのベースラインシステムを提案する。
  論文  参考訳（メタデータ） (2023-12-12T17:06:39Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)

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。