Fugu-MT 論文翻訳(概要): RoboTTT: Context Scaling for Robot Policies

論文の概要: RoboTTT: Context Scaling for Robot Policies

arxiv url: http://arxiv.org/abs/2607.15275v1
Date: Thu, 16 Jul 2026 17:59:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:33.206515
Title: RoboTTT: Context Scaling for Robot Policies
Title（参考訳）: RoboTTT: ロボットポリシーのコンテキストスケーリング
Abstract要約: 最近のロボット基礎モデルは、単段階または短史的ビズモータの文脈で動作する。ロボットモデルとトレーニングレシピであるTest-Time-Robot Policies(RoboTTT)を導入し,ビジュモータのコンテキストを8Kタイムステップに拡張する。クローズドループ性能の着実な向上を事前学習コンテキスト長尺度として観察した。
参考スコア（独自算出の注目度）: 38.647719404139615
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent robot foundation models operate with single-step or short-history visuomotor context. We introduce Test-Time-Training Robot Policies (RoboTTT), a robot model and training recipe that scale visuomotor context to 8K timesteps, three orders of magnitude beyond state-of-the-art policies, without growing inference latency. At this context length, we unlock new robot capabilities: one-shot in-context imitation from human video demonstrations, on-the-fly policy improvement, robustness to perturbations, and stronger performance on multi-stage, long-horizon tasks. We also observe, for the first time, steady gains in closed-loop performance as pretraining context length scales. At its core, RoboTTT integrates Test-Time Training into robot foundation models such as Vision-Language-Action policies, yielding a sequence model whose recurrent state consists of fast weights, parameters updated by gradient descent during both training and inference, compressing histories into weight space and retrieving contextual information for long-context conditioning. To scale training context length, the recipe combines sequence action forcing with truncated backpropagation through time. On challenging real-robot manipulation tasks, RoboTTT improves overall performance by 87% over the single-step context baseline and fully completes a five-minute, ten-stage assembly task, which no baseline ever does. RoboTTT trained with 8K-timestep context outperforms the same model pretrained with 1K timesteps by 62%, suggesting context length as a new scaling axis for robot foundation models. Videos are available at https://research.nvidia.com/labs/gear/robottt/
Abstract（参考訳）: 最近のロボット基礎モデルは、単段階または短史的ビズモータの文脈で動作する。ロボットモデルとトレーニングレシピであるTest-Time-Training Robot Policies(RoboTTT)を導入する。このコンテキスト長では、人間のビデオデモからのワンショットインコンテキストの模倣、オンザフライポリシーの改善、摂動に対する堅牢性、多段階のロングホライゾンタスクにおけるパフォーマンス強化など、新しいロボット機能をアンロックします。また, クローズドループ性能の着実な向上を, 事前学習コンテキスト長尺度として観測した。コアとなるRoboTTTは、Test-Time Trainingを、Vision-Language-Action Policyなどのロボット基盤モデルに統合し、高速ウェイトと推論の両方で勾配降下によって更新されたパラメータ、ヒストリーを重み空間に圧縮し、長いコンテキスト条件下でコンテキスト情報を検索する、繰り返し状態のシーケンスモデルを生成する。トレーニングコンテキストの長さをスケールするために、レシピは、シーケンスアクションの強制と時間の経過による切り詰められたバックプロパゲーションを組み合わせる。課題となるリアルタイムロボット操作タスクにおいて、RoboTTTは、単一ステップのコンテキストベースラインに対して、全体的なパフォーマンスを87%向上させ、5分間の10段階のアセンブリタスクを完全に完了させる。 8KタイムステップでトレーニングされたRoboTTTは、1Kタイムステップで事前トレーニングされた同じモデルを62%向上させ、ロボットファンデーションモデルの新たなスケーリング軸としてコンテキスト長を提案する。ビデオはhttps://research.nvidia.com/labs/gear/robottt/で公開されている。

関連論文リスト

Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。 RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
論文参考訳（メタデータ） (2026-08-26T17:59:34Z)
Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。 Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
論文参考訳（メタデータ） (2026-08-03T17:52:26Z)
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories [36.86989207036016]
Xiaomi-Robotics-1は、モバイル操作のためのビジョン言語アクション(VLA)モデルである。多様な言語命令に従って、幅広いモバイル操作タスクを実行する。最小限の微調整データで、新しい下流タスクに効率的に適応する。
論文参考訳（メタデータ） (2026-07-16T16:02:25Z)
RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks [28.827331437876452]
データ収集、ポリシー学習、タスク実行を単一のVLM駆動コントローラで統合するエージェントロボットフレームワークであるRoboClawを提案する。ポリシーレベルでは、RoboClaw氏はEntangled Action Pairs(EAP)を紹介している。デプロイ中、同じエージェントが高レベルの推論を行い、学習されたポリシープリミティブを動的にオーケストレーションして長期のタスクを遂行する。
論文参考訳（メタデータ） (2026-03-12T05:22:59Z)
Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution [32.93468341343403]
我々は、高速かつスムーズなリアルタイム実行のために最適化された高度な視覚言語アクション(VLA)モデルであるXiaomi-Robotics-0を紹介する。 Xiaomi-Robotics-0は、大規模なクロス・エボディメント・ロボット軌道と視覚言語データに事前訓練された。我々はXiaomi-Robotics-0をシミュレーションベンチマークで広範囲に評価し、正確で巧妙なバイマニュアル操作を必要とする2つの挑戦的な実ロボットタスクについて検討した。
論文参考訳（メタデータ） (2026-02-13T07:30:43Z)
RoboSSM: Scalable In-context Imitation Learning via State-Space Models [35.91619896213736]
In-context mimicion Learning (ICIL)は、ロボットがほんのわずかのデモンストレーションからなるプロンプトからタスクを学習することを可能にする。近年のICIL法は計算量制限のあるトランスフォーマーに依存している。状態空間モデルに基づくテキスト内模倣学習のためのスケーラブルなレシピであるRoboSSMを紹介する。
論文参考訳（メタデータ） (2025-09-24T00:26:15Z)
RaC: Robot Learning for Long-Horizon Tasks by Scaling Recovery and Correction [23.89121398540929]
本稿では,擬似学習事前学習後のループ内ロールアウトトレーニングの新たな段階であるRaCを紹介する。 RaCでは、リカバリと修正行動を示す人間の介入軌道に関するロボットポリシーを微調整する。我々は、RaCが10$times$少ないデータ収集時間とサンプルを使用して、従来の最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2025-09-09T17:41:29Z)
Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
論文参考訳（メタデータ） (2025-08-13T13:54:51Z)
Test-Time Training Done Right [61.8429380523577]
テスト時間トレーニング(TTT)モデルは、推論中にモデルの重みの一部を適応させることによってコンテキストをモデル化する。既存のTT手法は、長文データを扱う上で有効性を示すのに苦労した。我々は,大規模チャンクテストタイムトレーニング(LaCT)を開発し,ハードウェア利用率を桁違いに向上させる。
論文参考訳（メタデータ） (2025-05-29T17:50:34Z)
FLaRe: Achieving Masterful and Adaptive Robot Policies with Large-Scale Reinforcement Learning Fine-Tuning [74.25049012472502]
FLaReは、堅牢な事前訓練された表現、大規模なトレーニング、勾配安定化技術を統合する大規模な強化学習フレームワークである。提案手法は,タスク完了に向けた事前訓練されたポリシーを整列し,これまで実証され,全く新しいタスクや実施状況において,最先端(SoTA)のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-09-25T03:15:17Z)

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。