Fugu-MT 論文翻訳(概要): RoboProcessBench: Benchmarking Process-Aware Understanding in Vision-Language Robotic Manipulation

論文の概要: RoboProcessBench: Benchmarking Process-Aware Understanding in Vision-Language Robotic Manipulation

arxiv url: http://arxiv.org/abs/2606.13040v1
Date: Thu, 11 Jun 2026 08:20:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-12 15:55:27.66958
Title: RoboProcessBench: Benchmarking Process-Aware Understanding in Vision-Language Robotic Manipulation
Title（参考訳）: RoboProcessBench:ビジョンランゲージロボットマニピュレーションにおけるプロセス認識のベンチマーク
Abstract要約: 視覚言語モデル(VLM)は、ロボット操作における視覚的批判、報酬発生器、障害検出器として、ますます研究されている。既存の評価では、VLMが微細なプロセス理解を持っているかどうかを検証できない。本稿では、視覚言語ロボット操作におけるプロセス認識理解のベンチマークであるRoboProcessBenchを紹介する。
参考スコア（独自算出の注目度）: 59.10505906182782
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Vision-language models (VLMs) are increasingly explored as visual critics, reward generators, and failure detectors in robotic manipulation. These roles implicitly require models to judge not only final task success, but also how a manipulation execution is physically and temporally progressing. However, existing evaluations fail to test whether VLMs possess fine-grained process understanding. To address this gap, we present RoboProcessBench, a benchmark for process-aware understanding in vision-language robotic manipulation. RoboProcessBench decomposes such capability into two complementary dimensions, \emph{static monitoring} and \emph{dynamic reasoning}, instantiated as 12 diagnostic question families covering phase, contact, motion, coordination, primitive-local progress, temporal order, outcome, and primitive-level transitions. Built from physically grounded execution traces, the curated benchmark corpus ProcessData contains \textasciitilde 58k question-answer pairs across 260 manipulation tasks, which is further split into ProcessData-SFT and ProcessData-Eval for post-training and evaluation purposes. Extensive evaluation of various VLMs on ProcessData-Eval reveals broad limitations across 12 diagnostic task families, suggesting current models still lack robust process-aware understanding of manipulation executions. But with ProcessData-SFT, the post-trained \textit{Qwen2.5-VL-7B} and \textit{InternVL-3-8B} exhibit consistent gains on local state, motion, progress, and primitive-aware cues. These results demonstrate that RoboProcessBench serves as both an evaluation benchmark and a learnable supervision source for developing VLMs capable of monitoring and evaluating robotic manipulation processes. Project webpage: \href{https://processbench-2026.github.io/RoboProcessBench-Web/}{https://processbench-2026.github.io}.
Abstract（参考訳）: 視覚言語モデル(VLM)は、ロボット操作における視覚的批判、報酬発生器、障害検出器として、ますます研究されている。これらの役割は暗黙的に、最終タスクの成功だけでなく、操作の実行が物理的および時間的に進行しているかを判断するモデルを必要とする。しかし、既存の評価では、VLMが微細なプロセス理解を持っているかどうかを検証できない。このギャップに対処するために、視覚言語ロボット操作におけるプロセス認識理解のベンチマークであるRoboProcessBenchを紹介する。 RoboProcessBenchは、これらの機能を2つの相補的な次元に分解する: \emph{static monitoring} と \emph{dynamic reasoning} 。 ProcessDataには260の操作タスクにまたがる‘textasciitilde 58kの質問応答ペアが含まれており、後トレーニングと評価のためにProcessData-SFTとProcessData-Evalに分割されている。 ProcessData-Eval上での様々なVLMの広範囲な評価では、12の診断タスクファミリに幅広い制限が示されており、現在のモデルでは、操作実行に対する堅牢なプロセス認識の理解が欠けていることが示唆されている。しかし、ProcessData-SFTでは、ポストトレーニングされた \textit{Qwen2.5-VL-7B} と \textit{InternVL-3-8B} は、ローカル状態、動作、進行、プリミティブ認識のキューに対して一貫した利得を示す。これらの結果から,ロボット操作プロセスの監視・評価が可能なVLMの開発において,RoboProcessBenchが評価ベンチマークと学習可能な監視源として機能することが示唆された。プロジェクトWebページ: \href{https://processbench-2026.github.io/RoboProcessBench-Web/}{https://processbench-2026.github.io}

関連論文リスト

RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks? [65.16829463527377]
VLA(Vision-Language-Action)モデルは、言語条件のロボット操作において有望な進歩を示している。 textbfRobot textbfSpatial-textbfProcedural textbfAssessmentは,ロボット操作の大規模データセットであり,具体的推論を診断するためのベンチマークである。
論文参考訳（メタデータ） (2026-09-04T16:19:01Z)
FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation [43.89036551517797]
VLA(Vision-Language-Action Models)は、複雑な長距離ロボット操作タスクへの一般化において、大きな可能性を証明している。彼らのパフォーマンスは、通常、軌道単調で障害のないデモンストレーションで訓練されるため、不安定なままである。我々は、リトライとリセットのパラダイムを通じて、堅牢なエラー回復機能を備えたVLAを実現する新しいフレームワークであるFLAREを提案する。
論文参考訳（メタデータ） (2026-08-27T05:58:06Z)
FacProcessTwin: An LLM-Based System for Process Twin Development [2.71939929570542]
プロセスツインは、プロダクションプロセス全体のリアルタイム表現を提供する。本稿では,工場のプロセスドキュメンテーションとオペレーターからの自然言語入力からプロセスツインを構築するシステムであるFacProcessTwinを紹介する。 FacProcessTwinをオーストラリアの食品製造業者の実例で評価した。
論文参考訳（メタデータ） (2026-06-16T08:27:43Z)
Employing Vision-Language Models for Face Image Quality Assessment [0.023141219541346198]
顔画像品質評価(FIQA)はバイオメトリックパイプラインにおいて重要な制御ステップである。最先端のFIQA法は高い実用性を達成するが、通常「ブラックボックス」として機能するゼロショット環境でFIQAを実行することにより,このギャップを埋めるため,市販のビジョンランゲージモデル(VLM)の可能性を検討する。
論文参考訳（メタデータ） (2026-05-17T14:57:52Z)
ProcVLM: Learning Procedure-Grounded Progress Rewards for Robotic Manipulation [25.420455584290465]
ロングホライゾンのロボット操作は、タスクが手続き段階を通してどのように進行するかを反映した密集したフィードバックを必要とする。本稿では,プログレッシブ・アウェア・ビジョン言語モデルであるProcVLMについて述べる。
論文参考訳（メタデータ） (2026-05-09T08:00:59Z)
AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
論文参考訳（メタデータ） (2026-03-15T16:13:58Z)
Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
論文参考訳（メタデータ） (2026-03-02T05:26:29Z)
AgenticLab: A Real-World Robot Agent Platform that Can See, Think, and Act [27.922630781100864]
本稿では,モデルに依存しないロボットエージェントプラットフォームであるAgenticLabと,オープンワールド操作のためのベンチマークについて紹介する。我々は、非構造環境における実ロボットタスクに最先端のVLMベースのエージェントをベンチマークする。私たちのベンチマークでは、オフラインの視覚言語テストがキャプチャーに失敗するいくつかの障害モードが明らかになっている。
論文参考訳（メタデータ） (2026-02-02T05:30:14Z)
TimeMachine-bench: A Benchmark for Evaluating Model Capabilities in Repository-Level Migration Tasks [12.573674060643787]
TimeMachine-benchは、現実のPythonプロジェクトでソフトウェアマイグレーションを評価するために設計されたベンチマークである。私たちのベンチマークは、依存関係の更新に応じてテストが失敗し始めるGitHubリポジトリで構成されています。
論文参考訳（メタデータ） (2026-01-30T05:42:45Z)
RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [59.9896841079005]
長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
論文参考訳（メタデータ） (2025-06-07T06:15:49Z)
DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。 DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
論文参考訳（メタデータ） (2024-11-04T18:26:08Z)
ManiSkill2: A Unified Benchmark for Generalizable Manipulation Skills [24.150758623016195]
我々は、一般化可能な操作スキルのための次世代のSAPIEN ManiSkillベンチマークであるManiSkill2を紹介する。 ManiSkill2には、2000以上のオブジェクトモデルと4M以上のデモフレームを備えた20の操作タスクファミリが含まれている。幅広いアルゴリズムをサポートする統一インターフェースと評価プロトコルを定義する。高速な視覚入力学習アルゴリズムにより、CNNベースのポリシーでサンプルを約2000 FPSで収集することができる。
論文参考訳（メタデータ） (2023-02-09T14:24:01Z)

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。