論文の概要: LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning

• arxiv url: http://arxiv.org/abs/2604.28192v3
• Date: Thu, 07 May 2026 14:00:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.284948
• Title: LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning
• Title（参考訳）: LaST-R1:適応的物理遅延推論によるロボットマニピュレーションの強化
• Authors: Hao Chen, Jiaming Liu, Zhonghao Yan, Nuowei Han, Renrui Zhang, Chenyang Gu, Jialin Gao, Ziyu Guo, Siyuan Qian, Yinxi Wang, Peng Jia, Shanghang Zhang, Pheng-Ann Heng,
• Abstract要約: 提案するLaST-R1(LaST-R1)は,「最近の推論・行動」政策を活用するために設計された,新しい強化学習フレームワークである。 LaST-R1 は LIBERO ベンチマークで 99.9% の平均成功率を達成した。 実世界の展開では、LaST-R1はSOTAが監督する微調整アプローチよりも22.5%平均的に改善されている。
• 参考スコア（独自算出の注目度）: 90.86828952599147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic foundation models require reasoning over complex visual scenes to execute adaptive actions in dynamic environments. While recent studies on latent-reasoning Vision-Language-Action (VLA) models have demonstrated the capability to capture fine-grained physical dynamics, they remain predominantly confined to static imitation learning, severely limiting their adaptability and generalization. In this paper, we present LaST-R1, a novel reinforcement learning (RL) post-training framework designed to effectively harness "latent reasoning-before-acting" policies. Specifically, we propose Latent-to-Action Policy Optimization (LAPO), a core RL algorithm that jointly optimizes the latent reasoning process and the action generation. By explicitly embedding latent Chain-of-Thought (CoT) reasoning directly within the RL optimization loop, LAPO stimulates profound physical world modeling, which in turn drives robust execution in interactive environments. Furthermore, an adaptive latent CoT mechanism is introduced, allowing the policy to dynamically modulate its reasoning horizon based on diverse environment states. Experiments show that LaST-R1 achieves a near-perfect 99.9% average success rate on the LIBERO benchmark with only one-shot supervised warm-up, significantly improving convergence speed and performance over prior state-of-the-art (SOTA) methods. In real-world deployments, LaST-R1 yields up to a 22.5% average improvement over SOTA supervised fine-tuning approach across four complex tasks, including both single-arm and dual-arm settings. Finally, LaST-R1 demonstrates strong generalization across simulated and real-world environments.
• Abstract（参考訳）: ロボット基礎モデルは、動的環境で適応的なアクションを実行するために複雑な視覚シーンを推論する必要がある。 VLAモデルに関する最近の研究は、細粒度の物理力学を捉える能力を示しているが、それらは主に静的模倣学習に限られており、適応性と一般化を著しく制限している。 本稿では,新しい強化学習(RL)ポストトレーニングフレームワークであるLaST-R1について述べる。 具体的には、遅延推論プロセスとアクション生成を協調的に最適化するコアRLアルゴリズムであるLatent-to-Action Policy Optimization (LAPO)を提案する。 遅延Chain-of-Thought(CoT)推論をRL最適化ループに直接埋め込むことで、LAPOは深い物理世界モデリングを刺激し、対話的な環境での堅牢な実行を促進する。 さらに、適応型潜在CoT機構を導入し、多様な環境状態に基づいて推論水平線を動的に変調する。 実験の結果、LaST-R1はLIBEROベンチマークで平均99.9%の平均成功率を達成したが、これは1ショットの監視によるウォームアップのみで、従来のSOTA法よりもコンバージェンス速度と性能が大幅に向上した。 現実世界での配備では、LaST-R1はSOTAが監督する4つの複雑なタスク(シングルアームとデュアルアームの両方を含む)にわたる微調整アプローチよりも22.5%平均的に改善されている。 最後に、LaST-R1はシミュレーション環境と実世界の環境をまたいだ強力な一般化を示す。

関連論文リスト

• OmniVLA-RL: A Vision-Language-Action Model with Spatial Understanding and Online RL [1.880672844596704]
  VLA(Visual-Language-Action)モデルは、組み込みAIのパラダイムシフトを表している。 既存のフレームワークは、不正確な知覚、準最適マルチモーダル融合、強化学習における不安定性に苦慮している。 提案するOmniVLA-RLは,Mix-of-Transformers(MoT)設計を利用して推論,空間,行動の専門家を統合する新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-20T01:36:58Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• ACPO: Adaptive Curriculum Policy Optimization for Aligning Vision-Language Models in Complex Reasoning [17.928214942495412]
  ACPOは、安定的で、準政治的な探索段階から、効率的で、非政治的な搾取段階へ、原則的な移行を編成する動的カリキュラムを採用している。 我々は、MathVista、LogicVista、MMMU-Proなど、挑戦的なマルチモーダル推論ベンチマークのスイートで広範な実験を行う。 その結果,ACPOはDAPOやPAPOなどの強いベースラインを一貫して上回り,最先端性能,収束の促進,訓練安定性の向上を実現している。
  論文  参考訳（メタデータ） (2025-10-01T09:11:27Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)

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。