論文の概要: Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2607.18016v2
- Date: Sun, 26 Jul 2026 09:19:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 12:52:43.69411
- Title: Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation
- Title（参考訳）: ヒューマノイドVLAにおけるループの閉鎖:ロコ操作検証のための永続的3次元オブジェクトトークン
- Abstract要約: ロングホライズン・ヒューマノイド・ロコ・マニピュレーション(Long-Horizon humanoid loco-manipulation)は、ロボットが作業対象を運動、接触、回復の至る所で永続的な物理的実体として扱うことを要求する。
RGB-D観測からロールインデクシングされた3Dオブジェクトの記録を保持するemphPersistent Object Tokenization (POT)を提案する。
emphPOT-VLAとして実装され、同じオブジェクトが条件アクションの生成を記録し、幾何学的述語チェックをサポートし、クローズドループ実行システムを生成する。
- 参考スコア（独自算出の注目度）: 14.431337587744538
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action policies are a promising foundation for general robot control, but long-horizon humanoid loco-manipulation requires the robot to treat task objects as persistent physical entities across movement, contact, occlusion, and recovery. We study this problem as object-state divergence: the object state used to condition a whole-body action can differ from the state used to decide whether the action achieved the intended physical relation. We propose \emph{Persistent Object Tokenization} (POT), which maintains role-indexed 3D object records from RGB-D observations and converts them into object tokens for a whole-body action expert. Instantiated as \emph{POT-VLA}, the same object records condition action generation and support geometric predicate checks, yielding a closed-loop execution system in which object state is both actionable and verifiable. On a Unitree G1, POT-VLA improves a matched direct GR00T-N1.7 baseline from 39/80 to 71/80 successes over eight real-world task families. In an external Being-0-aligned reference, POT-VLA achieves 44/50 successes on aligned service tasks, compared with the 37/50 success reported by the Being-0 paper. The largest gains occur on tasks requiring maintained 3D relations, suggesting that persistent object-centered state is a useful abstraction for verifiable humanoid VLA execution.
- Abstract（参考訳）: ビジョン・ランゲージ・アクション・ポリシーは、一般的なロボット制御のための有望な基盤であるが、長い水平のヒューマノイド・ロコ・マニピュレーションでは、ロボットは、作業対象を移動、接触、閉塞、回復にまたがる永続的な物理的実体として扱う必要がある。
本研究は, 対象状態のばらつきとして, 全身動作を条件に使用する対象状態と, その動作が目的の物理的関係を達成したか否かを決定するための状態とを異にする。
我々は、RGB-D観測からロールインデクシングされた3Dオブジェクト記録を保持し、それらを全身アクションエキスパートのためのオブジェクトトークンに変換する「emph{Persistent Object Tokenization}」(POT)を提案する。
emph{POT-VLA} として確立された同じオブジェクトは条件アクションの生成を記録し、幾何学的述語チェックをサポートし、オブジェクト状態が動作可能かつ検証可能なクローズドループ実行システムを生成する。
ユニツリーG1では、POT-VLAはマッチした直接GR00T-N1.7ベースラインを、現実世界の8つのタスクファミリーで39/80から71/80に改善している。
外部のAbe-0アライメント参照では、POT-VLAは、Abe-0論文で報告された37/50の成功と比較して、アライメントされたサービスタスクで44/50の成功を達成している。
永続的なオブジェクト中心状態は、検証可能なヒューマノイドVLAの実行に有用な抽象化であることを示している。
関連論文リスト
- AffordTrajDP: Dynamic Affordance-Guided Visuomotor Policy Learning for Robotic Manipulation [8.422659700538636]
AffordTrajDPは、プログレッシブな操作プロセスを導くために、オブジェクト中心の時間的伝播を通して、余剰軌道を構築する。
AffordTrajDPはManiSkill3の平均成功率は70.0%で、強いベースラインを最大17.8%上回っている。
論文 参考訳（メタデータ） (2026-08-03T02:19:37Z) - Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。
マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。
LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-10T23:56:01Z) - GEAR-VLA: Learning Geometry-Aware Action Representations for Generalizable Robotic Manipulation [49.16739604572808]
VLA(Vision-Language-Action)モデルは、強力なベンチマークパフォーマンスを実現するが、目に見えないオブジェクトによる現実世界のデプロイに苦労する。
これは、統合幾何認識の操作表現が欠如していることに起因していると我々は主張する。
一般化可能なロボット操作のための統合幾何認識行動表現を学習するためのVLAフレームワークであるGEAR-VLAを提案する。
論文 参考訳（メタデータ） (2026-06-07T09:23:16Z) - Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。
本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
論文 参考訳（メタデータ） (2026-05-21T10:15:39Z) - VOFA: Visual Object Goal Pushing with Force-Adaptive Control for Humanoids [35.671376073584305]
VOFAは視覚目標条件付きヒューマノイドロコ操作システムである。
未知の物理的特性を持つオブジェクトを任意の目標位置にプッシュすることができる。
VOFAは、ブースターT1ヒューマノイドロボットのシミュレーションと実世界の実験で広く評価されている。
論文 参考訳（メタデータ） (2026-05-02T16:16:23Z) - Cybo-Waiter: A Physical Agentic Framework for Humanoid Whole-Body Locomotion-Manipulation [14.648223907591849]
移動と操作は、姿勢、到達可能性、バランスによって密結合しているため、ヒューマノイドにとって長い地平線実行は困難である。
提案するヒューマノイドエージェントフレームワークは,VLM計画を検証可能なタスクプログラムに変換し,マルチオブジェクト3D監視でループをクローズする。
テーブルトップ操作と長軸ヒューマノイドロコ操作による実験は、複数物体の接地、時間的安定性、リカバリ駆動のリプランニングによるロバスト性の向上を示す。
論文 参考訳（メタデータ） (2026-03-11T11:41:32Z) - 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) - Articulated 3D Scene Graphs for Open-World Mobile Manipulation [55.97942733699124]
本報告では, セマンティックな3次元シーングラフを構築するためのフレームワークであるMoMa-SGについて述べる。
新たな統合的ツイスト推定法を用いて調音モデルを推定する。
また,Arti4D-Semanticデータセットについても紹介する。
論文 参考訳（メタデータ） (2026-02-18T10:40:35Z) - Localizing Active Objects from Egocentric Vision with Symbolic World
Knowledge [62.981429762309226]
タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。
本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。
Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-10-23T16:14:05Z) - HACMan: Learning Hybrid Actor-Critic Maps for 6D Non-Prehensile Manipulation [29.01984677695523]
本稿では6次元非包括的操作のための強化学習手法であるHybrid Actor-Critic Maps for Manipulation (HACMan)を紹介する。
シミュレーションおよび実世界における6次元オブジェクトポーズアライメントタスクにおけるHACManの評価を行った。
代替アクション表現と比較して、HACManは最高のベースラインの3倍以上の成功率を達成する。
論文 参考訳（メタデータ） (2023-05-06T05:55:27Z) - SORNet: Spatial Object-Centric Representations for Sequential
Manipulation [39.88239245446054]
シーケンシャルな操作タスクでは、ロボットが環境の状態を認識し、望ましい目標状態につながる一連のアクションを計画する必要がある。
本研究では,対象対象の標準視に基づくRGB画像からオブジェクト中心表現を抽出するSORNetを提案する。
論文 参考訳（メタデータ） (2021-09-08T19:36:29Z)
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。