論文の概要: Robots Need More than VLA and World Models

• arxiv url: http://arxiv.org/abs/2606.06556v1
• Date: Thu, 04 Jun 2026 10:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.369802
• Title: Robots Need More than VLA and World Models
• Title（参考訳）: ロボットはVLAや世界モデル以上のものを必要としている
• Authors: Elis Karcini, Faisal Mehrban, Quang Nguyen, Mac Schwager, Arash Ajoudani, Cesar Cadena, Jan Peters, Marco Hutter, Haitham Bou-Ammar,
• Abstract要約: ジェネラリストロボットインテリジェンスは、しばしばポリシースケーリング問題として扱われる。 本稿では、このフレーミングは不完全である、と論じる。 次世代ロボティクスに欠落する4つのコンポーネントを特定します。
• 参考スコア（独自算出の注目度）: 38.16463528269755
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Generalist robot intelligence is often framed as a policy-scaling problem: collect more robot demonstrations, train larger Vision-Language-Action (VLA) models, and expect broader generalisation. In this position paper, we argue that this framing is incomplete. The central bottleneck is not only policy learning, but the absence of mechanisms that convert the world's abundant unstructured behavioural data into grounded robot supervision. Human motion, internet video, simulation rollouts, and interactive demonstrations contain rich information about tasks, goals, contacts, failures, and physical constraints, yet most of this information is not directly usable by robot policies because it lacks embodiment-specific action labels, task semantics, and reward structure. We identify four missing components for the next generation of robotics: data interfaces for autolabelling unstructured behaviour, embodiment interfaces for retargeting human motion to robot actions, world-model interfaces for physics-grounded 3D reasoning, and reward interfaces for inferring task progress and success from video and language. We survey recent progress in robot foundation models, cross-embodiment datasets, learning from video, world models, and reward modelling, and propose a research agenda for building robotics systems that can learn not only from robot demonstrations, but from the broader physical world.
• Abstract（参考訳）: 一般的なロボットインテリジェンスは、より多くのロボットデモを収集し、より大きなビジョン・ランゲージ・アクション(VLA)モデルを訓練し、より広範な一般化を期待する。 この位置紙では、このフレーミングは不完全であると主張する。 中心的なボトルネックは、政策学習だけでなく、世界の豊富な非構造的行動データを基盤となるロボットの監督に転換するメカニズムが欠如していることである。 ヒューマンモーション、インターネットビデオ、シミュレーションロールアウト、インタラクティブなデモには、タスク、ゴール、連絡先、障害、物理的制約に関する豊富な情報が含まれているが、この情報のほとんどは、具体的アクションラベル、タスクセマンティクス、報酬構造が欠けているため、ロボットポリシーによって直接利用できない。 次世代ロボットに欠落する4つのコンポーネントを識別する。非構造的動作の自動ラベリングのためのデータインターフェース、ロボット動作からロボット動作への人間の動きをターゲットする実施インターフェース、物理地上の3D推論のための世界モデルインタフェース、タスクの進行と成功をビデオや言語から推測するための報酬インターフェースである。 本稿では,ロボット基礎モデル,クロスエボディメントデータセット,ビデオからの学習,世界モデル,報酬モデリングの最近の進歩を調査し,ロボットのデモンストレーションだけでなく,より広い物理世界からも学べるロボットシステムを構築するための研究課題を提案する。

関連論文リスト

• Large Video Planner Enables Generalizable Robot Control [117.49024534548319]
  汎用ロボットは、様々なタスクや環境にまたがって一般化する意思決定モデルを必要とする。 最近の研究は、マルチモーダル大言語モデル(LM)をアクション出力で拡張し、視覚-アクション(VLA)システムを構築することで、ロボット基盤モデルを構築している。 本稿では,ロボット基礎モデル構築における主要なモダリティとして,大規模ビデオ事前学習を用いるための代替パラダイムについて検討する。
  論文  参考訳（メタデータ） (2025-12-17T18:35:54Z)
• RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video [56.9581053843815]
  画像とビデオにおけるロボットセグメンテーションの基礎モデルであるRobotSegを紹介する。 ロボットへの適応の欠如、手動のプロンプトへの依存、フレーム単位のトレーニングマスクアノテーションの必要性に対処する。 それは、画像とビデオの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T07:51:02Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• GRAPPA: Generalizing and Adapting Robot Policies via Online Agentic Guidance [15.774237279917594]
  本稿では,ロボットによる自己指導と自己改善のためのエージェントフレームワークを提案する。 本フレームワークは,環境中の関連オブジェクトに対して,ベースロボットポリシーを反復的に適用する。 弊社のアプローチは、操作ポリシーを効果的にガイドし、成功率を大幅に向上させることを実証する。
  論文  参考訳（メタデータ） (2024-10-09T02:00:37Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)

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。