論文の概要: $π\mathbf{R}^2$: Reactive Real-time Flow Policies

• arxiv url: http://arxiv.org/abs/2607.26055v1
• Date: Tue, 28 Jul 2026 17:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.956192
• Title: $π\mathbf{R}^2$: Reactive Real-time Flow Policies
• Title（参考訳）: $π\mathbf{R}^2$:リアクティブリアルタイムフローポリシー
• Abstract要約: ジェネラリストの操作ポリシーは、より大きな事前訓練されたバックボーン上に構築されたアクションチャンキングフローポリシーの形式をますます取り入れている。 提案する$mathbfR2$は,大きなバックボーン,表現力のあるマルチモーダルポリシ,マルチアクション予測を保ちながら,これらのポリシを動的かつリアルタイムに実現する。
• 参考スコア（独自算出の注目度）: 29.79273331426566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist manipulation policies increasingly take the form of action-chunking flow policies built on large pretrained backbones. Such chunks run open-loop, so the policy cannot react to sensory input arriving mid-execution, sacrificing \emph{reactivity}. Replanning more often would restore it, but the perception-to-action pipeline (a large backbone plus multiple denoising steps) is too slow: this \emph{latency} forbids frequent replanning and leaves committed actions stale, making such policies ill-suited for dynamic, closed-loop control. We present $π\mathbf{R}^2$, which makes these policies reactive and real-time while retaining large backbones, expressive multi-modal policies, and multi-action prediction. Built on the per-position noise schedule of diffusion forcing, $π\mathbf{R}^2$ contributes two ideas. First, it splits conditioning into a fast channel (proprioception, fresh every tick) and an asynchronously updated slow channel (vision-language features), so the policy reacts to proprioception within a chunk while tolerating stale vision. Second, a latency-adaptive flow schedule treats in-flight actions as inpainting conditioning and emits actions in one denoising step per call, letting one trained model adapt to varying hardware latency. Requiring minimal modification to existing architectures, $π\mathbf{R}^2$ can be finetuned from a pretrained policy: applied to GR00T-N1.7 on a real xArm6+XHand platform, it replans closed-loop roughly $4\times$ faster than the base policy (~$25$Hz on an A5000 GPU), acting on a fresh observation every $40$ms. Across simulation and real-world manipulation tasks, $π\mathbf{R}^2$ improves the success rate by up to $23\%$ in simulation and $30\%$ in the real world over the strongest baseline. Project page: https://pi-r2-flow.github.io/
• Abstract（参考訳）: ジェネラリストの操作ポリシーは、より大きな事前訓練されたバックボーン上に構築されたアクションチャンキングフローポリシーの形式をますます取り入れている。 このようなチャンクはオープンループで実行されるので、そのポリシーは実行中の感覚入力に反応せず、 \emph{reactivity} を犠牲にする。 この \emph{latency} は頻繁なリプレーニングを禁止し、コミットされたアクションが停滞するので、このようなポリシーは動的でクローズドループ制御には適さない。 π\mathbf{R}^2$ は、大きなバックボーン、表現的マルチモーダルポリシー、マルチアクション予測を保ちながら、これらのポリシーを反応性とリアルタイムにする。 拡散強制の配置ごとのノイズスケジュールに基づいて、$π\mathbf{R}^2$は2つのアイデアに寄与する。 ひとつは、条件付けを高速なチャネル(プロレセプション、新鮮な毎のチク)と非同期に更新された遅いチャネル(ビジョン言語の特徴)に分割することで、古いビジョンを許容しながらチャンク内でプロレセプションに反応する。 第二に、遅延適応フロースケジュールは、飛行中のアクションをインペインティングコンディショニングとして扱い、呼び出し毎に1ステップのアクションを発行する。 実際の xArm6+XHand プラットフォーム上で GR00T-N1.7 に適用されると、クローズドループを約 4\times$ で設計し(A5000 GPU で約 25$Hz )、40 ミリ秒毎に新しい観測を行う。 シミュレーションと実世界の操作タスク全体で、$π\mathbf{R}^2$は、最強のベースラインを越えて、シミュレーションで最大23\%、現実世界で最大30\%の成功率を改善する。 プロジェクトページ: https://pi-r2-flow.github.io/

関連論文リスト

• C$^3$ache: Accelerating World Action Models with Cross Inference Chunk Cache [41.43227699724456]
  C$3$acheはトレーニング不要のメソッドで、推論チャンクにまたがって残余をキャッシュし再利用する。 Fast-WAMのバックボーンでの実験では、C$3$acheは壁時計の総推定時間で最大2.5倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-06-08T03:01:10Z)
• FLASH: Efficient Visuomotor Policy via Sparse Sampling [25.25550374813956]
  Sparse History-anchored flowによるFast Legendre-polynomial Action Policyを提案する。 FLASH Policyは、離散アクションチャンク生成を連続的なルジャンドル軌道表現に置き換える。
  論文  参考訳（メタデータ） (2026-05-15T00:15:24Z)
• DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
  外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。 DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
  論文  参考訳（メタデータ） (2026-04-27T23:04:03Z)
• VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs [10.040683730802266]
  本稿では,ego中心のベクターグラフタイルをロールアウト中に段階的に生成するストリーミングワールドモデルであるVectorWorldを提案する。 これは、モーションアウェアのゲートVAEを介してポリシー互換の相互作用状態を生成することで、履歴条件のポリシーと整合する。 solvrfreegated Diconditioned Training MeanFlow JVPを通じて、リアルタイムのアウトステップ補完をサポートする。
  論文  参考訳（メタデータ） (2026-03-18T12:13:30Z)
• Mixture of Horizons in Action Chunking [36.43925695943073]
  本稿では,視覚言語-アクションモデルのための水平線(MoH)$戦略を$textbfmixture of horizons(MoH)として提案する。 MoHは、アクションチャンクを異なる水平線で複数のセグメントに並べ替え、共有アクショントランスで並列に処理し、ライトリニアゲートで出力を融合する。 これは1つのモデルにおいて、長期の予測と短期の精度を共同で利用し、複雑なタスクのパフォーマンスと一般化性の両方を改善している。
  論文  参考訳（メタデータ） (2025-11-24T18:59:51Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Real-Time Execution of Action Chunking Flow Policies [49.1574468325115]
  本稿では,アクションインタラクションシステムの非同期実行を可能にする新しい推論時アルゴリズムを提案する。 これは、再トレーニングなしでボックスから実行する拡散またはVLAベースのシステムに適用できる。 その結果、RTCは高速で、性能が高く、推論操作に対して一意に堅牢であることがわかった。
  論文  参考訳（メタデータ） (2025-06-09T01:01:59Z)
• Heavy-Tailed Linear Bandits: Huber Regression with One-Pass Update [62.96781471194877]
  ヘビーテール付きバンディットには、ヘビーテール付きノイズ、トランケーション、中央値の2つの基本戦略が導入されている。 本稿では,オンラインミラー降下フレームワークに基づくEmphone-passアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T09:41:45Z)
• Tempo Adaptation in Non-stationary Reinforcement Learning [29.606022769509682]
  非定常強化学習(RL)におけるエージェントと環境間の時間同期問題に最初に取り組む。 本稿では,サブ最適シーケンスを演算するTempo(textttProST$)フレームワークを提案する。 私たちの主な貢献は、政策トレーニング時間(エージェントテンポ)と環境変化の速さ(環境テンポ)のトレードオフとして、最適以下の$t_1:K$を示すことです。
  論文  参考訳（メタデータ） (2023-09-26T15:01:21Z)
• Acting in Delayed Environments with Non-Stationary Markov Policies [57.52103323209643]
  本稿では,MDPにおける学習と計画のためのフレームワークについて紹介する。 実行が遅れると、元の状態空間における決定論的マルコフポリシーは最大報酬を得るのに十分であるが、非定常である必要があることを証明します。 我々は、状態拡張に頼らずに遅延実行タスクを解く非定常Q学習スタイルのモデルベースアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2021-01-28T13:35:37Z)
• Nearly Minimax Optimal Reward-free Reinforcement Learning [88.75843804630772]
  本稿では、特にバッチ強化学習に適した報酬不要強化学習フレームワークと、複数の報酬関数に対するポリシーを必要とするシナリオについて検討する。 textbfStaged textbfSampling + textbfTruncated textbfPlanning (algoname) という新しい効率的なアルゴリズムを提供しています。
  論文  参考訳（メタデータ） (2020-10-12T17:51:19Z)

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。