論文の概要: Inductive Generalization for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2606.20999v1
• Date: Fri, 19 Jun 2026 00:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:17:17.350925
• Title: Inductive Generalization for Robotic Manipulation
• Title（参考訳）: ロボットマニピュレーションのための誘導的一般化
• Authors: Annabella Macaluso, Haochen Zhang, Ishaan Masilamony, Yingshan Chang, Yonatan Bisk,
• Abstract要約: 一般化能力を測るためには、段階的に困難で配布外なタスク変種に対するポリシーの帰納的能力をテストする必要がある。 我々は,任意の操作ポリシーにおいて帰納的一般化を測定するための再利用可能な形式的評価プロトコルを提供する。
• 参考スコア（独自算出の注目度）: 27.207954193702008
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding the generalization capabilities of visuomotor policies is essential in the development of capable robotic agents. Generalizable models learn structures that transfer across domains. However, in practice, visuomotor policies test performance by interpolation on known distributions using unstructured domain shifts (e.g. lighting, clutter, diverse objects). We argue that to measure generalization capabilities we must instead test the inductive capacity of policies on progressively harder, out-of-distribution task variants. We call this inductive generalization, drawing directly on how axis-based evaluation has revealed inherent generalization limitations in language models (e.g. sequence length, counting) arXiv:2502.00197 . We provide a reusable and formal evaluation protocol for measuring inductive generalization in any manipulation policy, and establish baselines showing that existing paradigms fail this test; e.g. SoTA Vision-Language-Action models and find that policies that appear to generalize to prior domain shifts (distractors, etc) fail inductive generalization tests. These results expose a class of learning challenges orthogonal to those addressed by data and model scaling in robot learning, yet are imperative to solve in order to realize general purpose robots.
• Abstract（参考訳）: ビジュモータポリシーの一般化能力を理解することは、有能なロボットエージェントの開発に不可欠である。 一般化可能なモデルは、ドメイン間で転送される構造を学ぶ。 しかし、実際には、Visuomotorポリシーは、非構造化ドメインシフト(例えば、照明、クラッタ、多様なオブジェクト)を使用して既知の分布を補間することで、性能をテストする。 一般化能力を測るためには、段階的に困難で配布外なタスク変種に対するポリシーの帰納的能力をテストする必要がある。 我々は、この帰納的一般化を、軸に基づく評価が言語モデル(例えば、シーケンス長、カウント)における固有の一般化の限界をいかに明らかにしているかを、直接的に描いている。 我々は,任意の操作方針における帰納的一般化を測定するための再利用可能な形式的評価プロトコルを提供し,既存のパラダイムがこのテストに失敗することを示すベースラインを確立する。 これらの結果は、汎用ロボットを実現するためには、ロボット学習におけるデータやモデルのスケーリングに直交する学習課題のクラスを提示するが、解決は必須である。

関連論文リスト

• Robust Finetuning of Vision-Language-Action Robot Policies via Parameter Merging [53.41119829581115]
  大規模で多様なデータセットに基づいて訓練された汎用ロボットポリシーは、一般化する能力を実証している。 トレーニングデータに含まれていない新しいタスクにはまだ不足しています。 本研究では,ファインタニング時の一般政策の一般化能力を保全する手法を開発した。
  論文  参考訳（メタデータ） (2025-12-09T08:02:11Z)
• AnyBody: A Benchmark Suite for Cross-Embodiment Manipulation [59.671764778486995]
  ロボット工学におけるスケーラブルで伝達可能な学習を実現する上で、新しい実施形態に対する制御ポリシーの一般化は、依然として根本的な課題である。 本稿では,多種多様な形態素を横断する2つの基礎的タスクリーチとプッシュアラウンドに着目し,クロスボデーメント操作の学習のためのベンチマークを紹介する。 異なるRLポリシーが複数の形態から学習し、新しい政策に一般化する能力を評価する。
  論文  参考訳（メタデータ） (2025-05-21T00:21:38Z)
• A Taxonomy for Evaluating Generalist Robot Policies [29.437786401917702]
  一般化の評価と定量化は、現代ロボット工学のワイルドウェストである。 本稿では,視覚的,意味的,行動的一般化を中心に構築されたロボット操作のための一般化の分類であるSTAR-Genを提案する。 我々は,様々な最先端モデルをベンチマークで評価し,実際の分類学の有用性を実証する。
  論文  参考訳（メタデータ） (2025-03-03T07:03:00Z)
• Learning Model Successors [31.25792515137003]
  我々は、トレーニングで観察された有限標本に基づいて、統一テーマは誘導であると主張する。 本稿では,モデル継承という中心的な概念を取り入れた新しい学習パラダイム,インダクティブラーニングを提案する。
  論文  参考訳（メタデータ） (2025-01-31T22:27:09Z)
• Beyond Sight: Finetuning Generalist Robot Policies with Heterogeneous Sensors via Language Grounding [85.63710017456792]
  FuSeは、不均一なセンサのモダリティに対する微調整型ビズモータ一般政策を可能にする新しいアプローチである。 FuSeは視覚,触覚,音などのモーダル性に対して共同で推論を必要とする挑戦的なタスクを実行できることを示す。 実世界での実験では、FuSeisはすべての基準ラインと比較して成功率を20%以上引き上げることができた。
  論文  参考訳（メタデータ） (2025-01-08T18:57:33Z)
• Generalizable Imitation Learning Through Pre-Trained Representations [23.674399455529624]
  DVKは、リッチなトレーニング済みのVisual Transformerパッチレベルの埋め込みを活用して、デモを通して学習する際の一般化を向上する模倣学習アルゴリズムである。 我々の学習者は、外見の特徴をセマンティックな概念に関連付けられたグループにまとめ、幅広い外見のバリエーションやオブジェクトタイプにまたがる安定なキーポイントを形成することで世界を見る。
  論文  参考訳（メタデータ） (2023-11-15T20:15:51Z)

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。