論文の概要: Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation
- arxiv url: http://arxiv.org/abs/2606.30318v1
- Date: Mon, 29 Jun 2026 14:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.256659
- Title: Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation
- Title（参考訳）: Chronos: 非マルコフ長軸操作のための物理インフォームドフルヒストリーフレームワーク
- Abstract要約: 我々は、非マルコフ的長距離操作のための物理インフォームドフルヒストリーフレームワークであるクロノスを提示する。
各物理制御ステップでは、クロノスは観測とプロプレセプションを融合させて1つの状態表現トークンを形成するため、トークンシーケンスは物理時間で1対1に整列する。
16のシミュレートされたタスクと4つの実世界の実験において、クロノスは精度の挿入、一般的な操作、メモリ依存の長期制御で評価される。
- 参考スコア（独自算出の注目度）: 15.192164610820607
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General-purpose robot policies should be modeled as dynamical systems, yet many VLA and generative imitation policies still rely on present observations or short windows. This Markovian shortcut fails in memory-dependent manipulation: identical observations can demand different actions after different histories. We present Chronos, a physics-informed full-history framework for non-Markovian long-horizon manipulation. The key idea is to elevate observation history from auxiliary context to the latent state of the policy dynamics. At each physical control step, Chronos forms one state-representative token by fusing observation and proprioception, so the token sequence is aligned one-to-one with physical time. A selective state space model propagates this causal historical state, which conditions a multimodal coarse action prior through implicit maximum likelihood estimation (IMLE). This prior is then refined by a second-order Schrodinger-inspired bridge that predicts acceleration fields, yielding smoother and more physically grounded robot motion. Across 16 simulated tasks and 4 real-world experiments, Chronos is evaluated on precision insertion, general manipulation, and memory-dependent long-horizon control. On RMBench, where success requires remembering task phase, Chronos achieves 73.6% average success, outperforming Markovian VLA baseline pi0.5 by +62.4 percentage points, a 6.6x relative gain, while using 10x fewer parameters. It also surpasses the memory VLA Mem-0 by 22.8 points while using over 30x fewer parameters. In real-world dual-arm experiments using a single RGB camera, Chronos achieves 78% average success over four tasks, including 72% on the three memory-dependent tasks, whereas pi0.5 achieves 7% overall and 0% on the memory-dependent subset. These results suggest that history should not be treated as auxiliary context, but as the latent state of the manipulation policy.
- Abstract（参考訳）: 汎用ロボットポリシーは、動的システムとしてモデル化されるべきであるが、多くのVLAおよび生成模倣ポリシーは、今でも現在の観測やショートウインドウに依存している。
このマルコフのショートカットはメモリ依存的な操作では失敗し、同じ観測では異なる履歴の後に異なるアクションを要求できる。
我々は、非マルコフ的長距離操作のための物理インフォームドフルヒストリーフレームワークであるクロノスを提示する。
鍵となる考え方は、観察履歴を補助的な文脈から政策力学の潜在状態へと高めることである。
各物理制御ステップでは、クロノスは観測とプロプレセプションを融合させて1つの状態表現トークンを形成するため、トークンシーケンスは物理時間で1対1に整列する。
選択状態空間モデルは、暗黙の最大推定(IMLE)により、多重モーダルな粗い作用を前提としたこの因果的履歴状態を伝搬する。
この前者は、シュロディンガーに触発された2階の橋で洗練され、加速場を予測し、より滑らかでより物理的に接地されたロボットの動きをもたらす。
16のシミュレートされたタスクと4つの実世界の実験において、クロノスは精度の挿入、一般的な操作、メモリ依存の長期制御で評価される。
RMBenchでは、タスクフェーズの記憶を必要とするが、Chronosは平均73.6%の成功を達成し、Markovian VLAベースラインのpi0.5を+62.4ポイント上回り、相対利得は6.6倍、パラメータは10倍少ない。
また、メモリVLA Mem-0を22.8ポイント上回り、パラメータは30倍以上少ない。
単一のRGBカメラを用いた実世界のデュアルアーム実験では、Chronosは3つのメモリ依存タスクで72%、pi0.5は7%、メモリ依存サブセットで0%という4つのタスクで平均78%の成功を達成した。
これらの結果は、歴史は補助的な文脈として扱われるべきではなく、操作ポリシーの潜在状態として扱われるべきであることを示している。
関連論文リスト
- TEMPO: Learning Temporal Context for Dynamic Robot Manipulation [12.057683796484232]
本稿では、事前訓練されたVLAを2つの時間入力で拡張し、動きのあいまいさと状態のエイリアスを解消するTEMPOを提案する。
ボトルハンドオーバの成功を44%から74%に改善し、状態エイリアスを解決する唯一の方法である。
さらに、動作認識ロボットの知覚を評価するために、50k以上の注釈付きフレームのベンチマークであるTEMPO-Benchをリリースする。
論文 参考訳（メタデータ） (2026-09-15T08:56:52Z) - TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation [14.84720789511593]
本稿では,物理的基盤の時間的監督を通じて,コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。
LIBERO Longでは96.60+/-0.87%、RoboTwin 12タスクで85.5%/84.2%のクリーン/ランダム化成功を含む、TemporalFlow-VLAが平均97.63+/-0.26%のLIBEROで平均的な成功を達成していることを示す。
論文 参考訳（メタデータ） (2026-08-27T09:00:56Z) - RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。
ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。
RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
論文 参考訳（メタデータ） (2026-08-10T17:09:37Z) - DIM-WAM: World-Action Modeling with Diverse Historical Event Memory [23.350949759638056]
世界行動モデルは、将来の視覚状態と行動を共同で予測することで、有望なロボット操作性能を示す。
マルチスケールの歴史的文脈、ローカルな未来のダイナミクス、グローバルなタスク進捗を統合したメモリ拡張ワールドアクションモデルであるDiM-WAMを紹介する。
RMBenchでは、DiM-WAMが平均28.4%、LingBot-VAが69.8%、メモリメモリのMem-0ベースラインが42.0%である。
論文 参考訳（メタデータ） (2026-06-26T03:17:39Z) - KEMO: Event-Driven Keyframe Memory for Long-Horizon Robot Manipulation with VLA Policies [14.253600207124194]
メモリはこの曖昧さに対処し、ポリシーが実行履歴からタスクの進捗を推測できるようにする。
本稿では,VLA ポリシーのタスク関連状態変化に関連するキネマティクスを自動的に保存する,軽量なプラグインメモリフレームワーク KEMO を提案する。
830ステップから2846ステップ(28秒から95秒)の軌道長と2～6サブタスクにまたがる実世界のマルチアーム操作タスクにおけるKEMOの評価を行った。
論文 参考訳（メタデータ） (2026-06-22T16:57:43Z) - Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation [55.42006264038458]
アクション条件付き世界モデルは、ロボット学習の有望なパラダイムとして登場した。
Mem-Worldはメモリ拡張されたマルチビューアクション条件の世界モデルである。
W-VMemは4次元手首ビュー中心のサーベイルインデクシングメモリで、歴史的観測を時間的に変化する表面要素に固定する。
論文 参考訳（メタデータ） (2026-06-17T11:42:00Z) - RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
記憶は、長い水平と歴史に依存したロボット操作にとって重要である。
近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。
本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
論文 参考訳（メタデータ） (2026-03-04T21:59:32Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy [61.668591984635846]
HAMLETは、行動予測中の歴史的状況に対応するためにビジョン・ランゲージ・アクションモデルを適用するためのフレームワークである。
HAMLETは、最先端のVLAを履歴認識ポリシーに変換することに成功していることを示す。
GR00T N1.5に加えて、HAMLETは歴史に依存した実世界のタスクで平均76.4%の成功率を達成した。
論文 参考訳（メタデータ） (2025-10-01T09:15:52Z) - MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。
本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。
本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
論文 参考訳（メタデータ） (2025-08-26T17:57:16Z)
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。