論文の概要: Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline)

• arxiv url: http://arxiv.org/abs/2606.27163v1
• Date: Thu, 25 Jun 2026 15:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.33486
• Title: Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline)
• Title（参考訳）: Learning to Fold: LeHome Challenge 2026で優勝(オンラインで1位、オフラインで2位)
• Abstract要約: LeHome Challenge 2026というICRA 2026のコンペティションのソリューションについて説明します。 このシステムは、オンライン(シミュレーション)ラウンドで62チーム中1位、実世界の決勝で2位にランクインした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: I describe my solution to the LeHome Challenge 2026, an ICRA 2026 competition on bimanual garment folding. The system placed 1st of 62 teams in the online (simulation) round and 2nd in the real-world final. It improves a vision-language-action (VLA) policy with a reinforcement-learning loop. The policy is its own value function: the same network that predicts actions also predicts success, progress, and a few task-relevant future quantities, and those predictions drive advantage estimation, live failure detection, and candidate selection. The work mostly recombines existing RL ideas with engineering and optimization contributions that can be used together as one recipe or individually: AWR + RECAP combined for flow-matching VLA; an asynchronous distributed training / rollout pipeline through HuggingFace Hub; inference-time hyperparameters optimization via Thompson sampling; a sim-to-real recipe with camera-alignment tooling, heavy augmentation and DAgger-like HIL data collection.
• Abstract（参考訳）: LeHome Challenge 2026というICRA 2026のコンペティションのソリューションについて説明します。 このシステムは、オンライン(シミュレーション)ラウンドで62チーム中1位、実世界の決勝で2位にランクインした。 強化学習ループで視覚言語アクション(VLA)ポリシーを改善する。 アクションを予測している同じネットワークは、成功、進捗、およびいくつかのタスク関連将来量の予測も行っており、これらの予測は、利点のある推定、ライブ障害検出、および候補選択を促進する。 AWR + RECAPはフローマッチング用のVLA、HugingFace Hub経由の非同期分散トレーニング/ロールアウトパイプライン、トンプソンサンプリングによる推論時ハイパーパラメータ最適化、カメラアライメントツール、ヘビー拡張、DAggerライクなHILデータコレクションを備えたsim-to-realレシピである。

関連論文リスト

• How to Better Train VLAs: Lessons Learned From the REAL-I Challenge at ICRA 2026 [19.591059484557256]
  第1回Real-world Embodied AI Learning (REAL-I) Challenge at ICRA 2026は、シミュレーション、実ロボット評価、および共有デュアルアームヒューマノイドプラットフォーム上でのオンサイトファイナルを通じて、この問題を調査した。 NUS-CLEAR、RCL-Lab、Deeptouch.aiによるアプローチを比較し、課題タスク、データおよびデプロイメントインターフェース、競争結果について説明する。 彼らのシステムは、事前訓練された視覚-言語-アクションモデルとタスク固有の模倣ポリシーを、データキュレーション、ステージ化適応、チェックポイント選択、アクション-スペース設計のための異なる戦略と組み合わせた。
  論文  参考訳（メタデータ） (2026-09-12T03:12:46Z)
• Supervised Fine-Tuning vs. In-Context Learning: An Equilibrium Analysis of LLM Personalization under Congestion [52.722575491987904]
  ICL と SFT は,事前学習とデータ信号対雑音比の相互関係によって決定される。 どちらのパーソナライズ手法も、計算負荷が増大する可能性があるにもかかわらず、プラットフォームの最大利益を損なうことはないことを実証する。
  論文  参考訳（メタデータ） (2026-07-15T21:17:42Z)
• CLEAR: Closed-Loop Reinforcement Learning at Scale for End-to-End Autonomous Driving [66.77752555295355]
  E2E-ADのための大規模強化学習(RL)を用いた閉ループ訓練システムであるCLEARを提案する。 簡単な報奨により、CLEARは従来の手法よりも大幅に優れ、新しい最先端性能を設定できることが示される。
  論文  参考訳（メタデータ） (2026-07-03T00:34:50Z)
• EXPO-FT: Sample-Efficient Reinforcement Learning Finetuning for Vision-Language-Action Models [84.73890225707264]
  提案するEXPO-FTは,事前学習したVLAポリシーの安定かつサンプル効率の良いRL微調整システムである。 本システムは,オンラインロボットデータの平均19.1分以内の全ての評価課題に対して,完全なタスク性能(30/30の成功)を実現する。 我々は、ロボット工学におけるVLAモデルのより広範なRLファインタニング導入を促進することを目的とした、オープンソースのロバスト性をリリースする。
  論文  参考訳（メタデータ） (2026-05-25T06:31:03Z)
• Team-Based Self-Play With Dual Adaptive Weighting for Fine-Tuning LLMs [24.816746511570244]
  Team-based Self-Play with dual Adaptive Weighting (TPAW)は、完全に自己監督された設定でのアライメントを改善するために設計された新しいセルフプレイアルゴリズムである。 TPAWは、人間の監督を必要とせず、反復的に調整する。
  論文  参考訳（メタデータ） (2026-05-11T03:17:31Z)
• MindGames Arena Generalization Track: In2AI Solution with Delayed Per-Step Reward Attribution [45.957713330643934]
  マルチエージェント戦略相互作用のための言語モデルエージェントの訓練は、中核的な困難をもたらす。 標準的な強化学習では、報酬は各ステップで割り当てられると仮定しているが、この仮定は時間とエージェントの間で結果が絡み合っている環境では失敗する。 我々は,段階ごとの報酬帰属の遅れに,適度ゲーティング,エピソードライフサイクル,後処理パイプラインを導入している。
  論文  参考訳（メタデータ） (2026-04-13T23:59:03Z)
• AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
  AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。 我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-08T10:55:03Z)
• Scaling Agent Learning via Experience Synthesis [100.42712232390532]
  強化学習は、対話を通じて自己改善を行うことで、自律的なエージェントに力を与えることができる。 しかし、コストのかかるロールアウト、タスクの多様性の制限、信頼性の低い報奨信号、インフラストラクチャの複雑さによって、その実践的採用は依然として困難である。 私たちはDreamGymを紹介します。DreamGymはスケーラビリティを念頭において多様なエクスペリエンスを合成するために設計された最初の統合フレームワークです。
  論文  参考訳（メタデータ） (2025-11-05T18:58:48Z)
• Balancing Rewards in Text Summarization: Multi-Objective Reinforcement Learning via HyperVolume Optimization [14.681037993252188]
  RLにおける報酬過程において,グループ間のスコアを動的に調整する新しい最適化手法であるハイパーボリューム最適化(HVO)を導入する。 いくつかの代表的な要約データセットに対する実験結果から,本手法がグループ相対的政策最適化より優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-22T07:39:04Z)
• Inverse Reinforcement Learning with Dynamic Reward Scaling for LLM Alignment [51.10604883057508]
  DR-IRL(逆強化学習によるリワードの動的調整)を提案する。 まず、IRLを介して7つの有害なカテゴリをカバーするバランスの取れた安全データセットを用いて、カテゴリ固有の報酬モデルを訓練する。 次に,テキストエンコーダのコサイン類似性によるデータレベルの硬さ,報酬ギャップによるモデルレベルの応答性など,タスク難易度による報酬を導入することにより,グループ相対政策最適化(GRPO)を強化する。
  論文  参考訳（メタデータ） (2025-03-23T16:40:29Z)
• Provably Efficient Online RLHF with One-Pass Reward Modeling [70.82499103200402]
  人間のフィードバックからの強化学習は、大規模言語モデルと人間の好みを合わせることに顕著な成功を収めた。 オンラインRLHFは有望な方向性として現れ、反復的なデータ収集と改善を可能にしている。 本稿では,過去のデータを保存する必要をなくし,反復毎に一定時間更新を行うワンパス報酬モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T02:36:01Z)
• Action Recognition Using Temporal Shift Module and Ensemble Learning [0.0]
  本稿では,aclICPR 2024におけるマルチモーダル視覚パターン認識ワークショップの一環として,マルチモーダル行動認識チャレンジ(Multi-Modal Action Recognition Challenge)のファーストランクソリューションを提案する。 このコンペティションは、マルチモーダルソースから収集された20のアクションクラスの多様なデータセットを使用して、人間の行動を認識することを目的としている。 提案手法は,20クラスにまたがる人的行動の認識において,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-01-29T10:36:55Z)
• Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning [55.65738319966385]
  我々は、新しいオンラインアルゴリズム、反復的ナッシュポリシー最適化(INPO)を提案する。 従来の方法とは異なり、INPOは個々の応答に対する期待される勝利率を推定する必要性を回避している。 LLaMA-3-8BベースのSFTモデルで、INPOはAlpacaEval 2.0で42.6%、Arena-Hardで37.8%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-06-30T08:00:34Z)

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。