論文の概要: On-Device Robotic Planning: Eliminating Inference Redundancy for Efficient Decision-Making
- arxiv url: http://arxiv.org/abs/2605.31460v1
- Date: Fri, 29 May 2026 15:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.716015
- Title: On-Device Robotic Planning: Eliminating Inference Redundancy for Efficient Decision-Making
- Title（参考訳）: デバイス上でのロボット計画:効率的な意思決定のための推論冗長性を排除する
- Abstract要約: 大きな言語とビジョン言語モデルを用いた推論に基づくロボットポリシーは、強力なセマンティック計画機能を実現するが、ほとんどの場合、高い推論遅延に悩まされる。
人間の認知にインスパイアされたロボットによる意思決定フレームワークであるREISを,意味的適応性を維持しながら不要な推論を最小限に抑える。
- 参考スコア（独自算出の注目度）: 4.723358389541955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reasoning-based robotic policies using large language and vision-language models achieve strong semantic planning capabilities but mostly suffer from a high inference latency that limits practical real-time deployment. In this work, we observe that robotic reasoning workloads contain substantial temporal redundancy, where consecutive observations frequently produce identical actions and subgoals. Based on this insight, we present REIS, a human cognition inspired robotic decision-making framework that minimizes unnecessary reasoning while preserving semantic adaptability. REIS combines lightweight scene gating, KV-steered affordance routing, and deliberative reasoning to accelerate robotic control under embodied constraints. Experiments on ALFRED, and real-world robotic tasks demonstrate that REIS significantly suppresses reasoning overhead while maintaining competitive task performance.
- Abstract（参考訳）: 大きな言語とビジョン言語モデルを用いた推論ベースのロボットポリシーは、強力なセマンティックプランニング機能を実現するが、ほとんどの場合、実用的なリアルタイムデプロイメントを制限する高い推論遅延に悩まされる。
本研究では,ロボット推論の作業が時間的冗長性を含んでいることを観察する。
この知見に基づいて,意味的適応性を維持しながら不要な推論を最小限に抑える,人間の認知にインスパイアされたロボット意思決定フレームワークREISを提案する。
REISは、軽量なシーンゲーティング、KVステアランスルーティング、および検討的推論を組み合わせて、具体的制約下でのロボット制御を加速する。
ALFREDおよび実世界のロボットタスクの実験は、REISが競争力のあるタスク性能を維持しながら、推論オーバーヘッドを著しく抑制することを示した。
関連論文リスト
- Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。
提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。
オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
論文 参考訳（メタデータ） (2026-07-04T08:14:44Z) - RoboWits: Unexpected Challenges for Robotic Creative Problem Solving [58.58727722988084]
我々は、認知的推論、創造的ツールの使用、予期しない状況に対する堅牢性を評価するために設計された、双方向のロボットベンチマークであるRoboWitsを紹介する。
このパイプラインを用いて,30種類の種タスクと208のタスクを,幾何学的,物質的,集合的推論にまたがる変異と難易度でキュレートした。
プレトレーニングされたVLAは,単一タスクの微調整後にシードタスクに予備的な成功を示すが,変異タスクの実行に苦慮している。
論文 参考訳（メタデータ） (2026-05-28T17:57:15Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。
エージェントはいつ、いつ、いつ行動すべきか?
本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
論文 参考訳（メタデータ） (2026-03-17T15:38:50Z) - Vision-based Goal-Reaching Control for Mobile Robots Using a Hierarchical Learning Framework [4.014524824655106]
本稿では,システム全体を密結合した関数モジュールの集合に分解する。
提案手法は,アクティベーションシステムの均一な指数的安定性と全動作の安全性を保証する。
論文 参考訳（メタデータ） (2026-01-02T08:41:47Z) - Lite VLA: Efficient Vision-Language-Action Control on CPU-Bound Edge Robots [0.6119773373677944]
本研究は,移動ロボットに小型視覚言語モデル(VLM)を配置し,厳密な計算制約の下でリアルタイムのシーン理解と推論を実現することの実現可能性を示す。
移動性から知覚を分離する従来のアプローチとは異なり、提案フレームワークはオンボードハードウェアのみを使用して動的環境の同時移動と推論を可能にする。
論文 参考訳（メタデータ） (2025-11-07T17:49:14Z) - NoTVLA: Narrowing of Dense Action Trajectories for Generalizable Robot Manipulation [54.87964060934928]
VLA(Vision-Language-Action)モデルは、現実の展開において重要な障壁に直面している。
本稿では,軌道の狭小化に焦点を絞った新しい手法として,軌道の狭小化(Narrowing of Trajectory)VLAフレームワークを提案する。
NoTVLAは2つのクリティカルな制約の下で動作しながら、pi0よりも優れたパフォーマンスと一般化を実現している。
論文 参考訳（メタデータ） (2025-10-04T18:26:55Z) - RoboPilot: Generalizable Dynamic Robotic Manipulation with Dual-thinking Modes [5.47460315248808]
ロボット操作のための2つのクローズドループフレームワークであるRoboPilotを紹介する。
RoboPilotは、現実世界の動的環境における複雑なタスクに対する適応推論をサポートする。
我々はRoboPilotがタスク成功率の25.9%で最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2025-09-30T18:25:47Z) - Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。
DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。
実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
論文 参考訳（メタデータ） (2025-05-29T16:41:12Z) - REI-Bench: Can Embodied Agents Understand Vague Human Instructions in Task Planning? [12.490512012911635]
言語学者は、そのような曖昧さは表現(RE)を参照することからしばしば生じることを示唆している。
本稿では,人間の指示におけるREsの不明瞭さがLLMに基づくロボットタスク計画にどのように影響するかを考察する。
本稿では,あいまいなRE(REI-Bench)を用いた最初のロボットタスク計画ベンチマークを提案する。
論文 参考訳（メタデータ） (2025-05-16T05:27:15Z) - Prognostic Framework for Robotic Manipulators Operating Under Dynamic Task Severities [1.8485970721272895]
ロボットマニピュレータのRemaining Useful Life(RUL)を予測できる予後モデリングフレームワークを提案する。
以上の結果から,両艦隊のロボットは高重度タスクを多く扱う場合,RULが短くなることが示唆された。
論文 参考訳（メタデータ） (2024-11-30T17:09:18Z) - iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on
Robots [46.13039152809055]
我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。
結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2020-04-18T17:46:59Z)
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。