論文の概要: SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation
- arxiv url: http://arxiv.org/abs/2607.10504v1
- Date: Sat, 11 Jul 2026 23:25:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.445076
- Title: SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation
- Title（参考訳）: SUREFlow:ロバストロボットマニピュレーションのための状態空間不確実性を考慮した残留フローマッチング
- Abstract要約: 我々は,Mambaのバックボーン上に構築された状態空間不確実性を考慮した残留フローマッチングフレームワークSUREFlowを提案する。
LIBEROでは、SUREFlowは平均成功率92.5%を達成し、MaILを34.2%上回っている。
LIBERO-PROでは、わずか179Mのパラメータで約49%のSRを実現し、3.7Bのパラメータを持つ大きなVLAに匹敵するパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 10.342753352696393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative vision-language-action policies have advanced robot manipulation, but they often exhibit instability under noise, partial observability, and stochastic initial conditions. During extended rollouts, small velocity errors accumulate, degrading execution reliability. Existing diffusion and flow-based policies typically assume homoscedastic residuals and lack explicit uncertainty modeling within action generation, limiting robustness during iterative rollout. We propose SUREFlow, a state-space uncertainty-aware residual flow matching framework built on a Mamba backbone. The method jointly predicts action velocities and input-dependent residual uncertainty, enabling selective refinement of unreliable action dimensions without environment feedback while preserving computational efficiency. On LIBERO, SUREFlow achieves 92.5% average success rate (SR), outperforming the Mamba-based MaIL by 34.2%. On LIBERO-PRO, it attains around 49% SR using only 179M parameters, achieving performance comparable to large VLAs with 3-7B parameters. SUREFlow source code is available on: https://github.com/tanvirnwu/SUREFlow
- Abstract（参考訳）: 生成的視覚言語アクションポリシーは高度なロボット操作を持つが、ノイズ、部分観測性、確率的初期条件下で不安定性を示すことが多い。
ロールアウトを延ばすと、小さなベロシティエラーが蓄積され、実行信頼性が低下する。
既存の拡散とフローベースの政策は、通常、ホモシステマティックな残留を仮定し、アクション生成における明確な不確実性モデリングが欠如し、反復的なロールアウト時のロバスト性を制限する。
我々は,Mambaのバックボーン上に構築された状態空間不確実性を考慮した残留フローマッチングフレームワークSUREFlowを提案する。
計算効率を保ちつつ、環境フィードバックを伴わずに、動作速度と入力依存残差不確実性を共同で予測し、信頼できない動作次元を選択的に洗練することができる。
LIBEROでは、SUREFlowは平均成功率92.5%を達成し、MaILを34.2%上回っている。
LIBERO-PROでは、わずか179Mのパラメータで約49%のSRを実現し、3.7Bのパラメータを持つ大きなVLAに匹敵するパフォーマンスを実現している。
SUREFlowのソースコードは、https://github.com/tanvirnwu/SUREFlowで入手できる。
関連論文リスト
- ContextFlow: In-Context Flow Matching for Robot Manipulation [91.60992853468242]
本研究では,コンテキスト内模倣学習のための連続的な動作分布を学習する条件付きフローマッチングモデルであるContextFlowを紹介する。
LIBEROでは、ContextFlowがICRTを35パーセント上回っている。
実際のロボットでは、シングルアームとバイマニュアルの両方のタスクの見当たらない構成に一般化し、新しいペンアンカッピング構成で40%の成功を達成している。
論文 参考訳（メタデータ） (2026-09-06T21:53:58Z) - PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation [10.164953732323463]
PIER-Flowは移動ロボットのための軽量ナビゲーションポリシーである。
98.85%の成功率とゼロ衝突を達成し、平均値は$sim$1.29 msである。
論文 参考訳（メタデータ） (2026-07-11T12:34:28Z) - RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration [14.194086645453767]
画素間画像の登録は、重度の非線形ラジオメトリックと不確実性のために困難である。
本稿では,高密度モーダルフロー推定を再構成する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2026-06-29T15:58:25Z) - Preserving Foundational Capabilities in Flow-Matching VLAs through Conservative SFT [12.18095306054314]
ConSFT(Reserve Supervised Fine-Tuning)は、壊滅的な忘れを軽減しつつ、ターゲット分布に適応する最適化目標である。
LIBERO と RoboTwin ベンチマークの ConSFT を最先端のフローマッチング VLA で評価した。
論文 参考訳（メタデータ） (2026-05-09T10:59:03Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - HybridFlow: A Two-Step Generative Policy for Robotic Manipulation [2.2200541495683996]
MeanFlowは、フローマッチングの一段階の変種として、画像生成に強い可能性を示している。
HybridFlowは、MeanFlowのワンステップ生成の迅速な利点を活用することで、推論速度と生成品質のバランスをとる。
我々は,ロボット操作ポリシーの現実的なインタラクション能力を高めるために,HybridFlowを実用的な低レイテンシ手法として想定する。
論文 参考訳（メタデータ） (2026-02-14T10:50:23Z) - ReinFlow: Fine-tuning Flow Matching Policy with Online Reinforcement Learning [7.452631636467998]
ReinFlowは、継続的ロボット制御のためのオンライン強化学習フレームワークである。
学習可能なノイズをフローポリシーの決定論的パスに注入し、フローを離散時間マルコフプロセスに変換する。
代表的な移動と操作タスクでReinFlowをベンチマークします。
論文 参考訳（メタデータ） (2025-05-28T08:17:16Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。
近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。
本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-29T12:31:38Z)
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。