論文の概要: Demystifying When and Why VLAs Fail in Contact-Rich Tasks and How to Fix Them

• arxiv url: http://arxiv.org/abs/2608.01402v1
• Date: Sun, 02 Aug 2026 17:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.19506
• Title: Demystifying When and Why VLAs Fail in Contact-Rich Tasks and How to Fix Them
• Title（参考訳）: コンタクトRichタスクにおけるVLAの失敗とその対策
• Abstract要約: 視覚・言語・アクションモデルがコンタクトリッチな操作タスクにいつ、なぜ苦労するのかを理解することの課題に対処する。 精度の失敗は、フローマッチングポリシートレーニングミスマッチに根ざし、力信号の特異な構造から力障害が発生する。
• 参考スコア（独自算出の注目度）: 10.061430683284907
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We address the problem of understanding when and why Vision-Language-Action models struggle with contact-rich manipulation tasks that require precise physical interaction. Prior work has primarily focused on addressing contact failures through force-augmented architectures and training-time regularizers, yet the root causes of these failures remain underexplored. We identify two distinct failure modes underlying this gap. Precision failures are rooted in a flow-matching policy training mismatch, and force failures arise from the distinctive structure of force signals. We address each failure mode with a targeted mechanism and combine them into FACT, which achieves 66% average success rate across five contact-rich tasks against 41% for the best prior baseline, in an evaluation spanning almost 2,500 real-world rollouts.
• Abstract（参考訳）: 視覚・言語・アクションモデルが、正確な物理的相互作用を必要とするコンタクトリッチな操作タスクにいつ、なぜ苦労するのかを理解することの課題に対処する。 これまでの研究は主に、力強化されたアーキテクチャとトレーニング時間正規化器によるコンタクト障害への対処に重点を置いてきたが、これらの障害の根本原因は未解明のままである。 このギャップの根底にある2つの異なる障害モードを特定します。 精度の失敗は、フローマッチングポリシートレーニングミスマッチに根ざし、力信号の特異な構造から力障害が発生する。 我々は、各障害モードを目標とするメカニズムで対処し、FACTに組み合わせて、5つのコンタクト豊富なタスクの平均成功率を41%に対して、最高のベースラインに対して平均成功率を66%達成し、約2500の実世界のロールアウトにまたがる評価を行う。

関連論文リスト

• DCFA: Dual-view Causal-inspired Attribution for Failure Reasoning in LLM-based Multi-agent Systems [61.11435469308521]
  大規模言語モデルシステムにおける障害帰属のためのトレーニング不要フレームワークDCFAを提案する。 DCFAは、システムトレースから構造化因果インスパイアされた依存性グラフを構築するグローバルモジュールを統合する。 実験の結果、DCFAは最先端のベースラインよりもステップレベルの精度を最大8.27%向上することが示された。
  論文  参考訳（メタデータ） (2026-09-04T05:29:31Z)
• Data and Learning Where it Matters for Contact-Rich Manipulation [4.7755608202878985]
  大規模データセット上でエンドツーエンドにトレーニングされた学習されたポリシーは、高精度なタスクでは不安定なままであることが多い。 私たちの重要な洞察は、コンタクトリッチなタスクの重要な部分にのみ、高密度なデータ収集を活用することです。 本稿では,タスクの重要部分に対するオフライン深部強化学習と組み合わせて,自動データ収集手法を提案する。
  論文  参考訳（メタデータ） (2026-07-17T14:18:20Z)
• Learning from Failure: Inference-Time Self-Improvement for Computer-Use Agents [80.03824805228719]
  コンピュータ利用エージェントを開発する上での大きな課題は、大規模で高品質な軌道を収集することである。 我々は、失敗した軌道をエージェント改善に変換するデータ中心のパラダイムを提案する。 この手法をOSWorldベンチマーク上で,最先端のOpenCUA-72Bモデルを用いて検証する。
  論文  参考訳（メタデータ） (2026-06-30T07:44:37Z)
• When Evidence is Sparse: Weakly Supervised Early Failure Alerting in Dialogs and LLM-Agent Trajectories [20.332123003765837]
  早期の障害警告では、ダイアログやエージェントのトラジェクトリがまだ展開されている間に、フェールするかどうかを判断する必要がある。 一般的には、トラジェクトリレベルの成功/失敗ラベルとしてのみ、監視が利用可能であるのに対して、アラートは部分的なインタラクションから引き上げなければならないため、これは難しい。 本稿では、このスパースエビデンス構造から学習し、その結果のリスク推定を制御可能な早期警報に利用する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2026-06-03T20:28:27Z)
• From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances [5.3977645077404794]
  高精度なアセンブリは、しばしば厳密な耐久挿入を伴い、わずかなポーズエラーでさえジャミングや過剰な相互作用の力を引き起こす。 本稿では,Imitation Learning (IL) とReinforcement Learning (RL) を組み合わせた触覚増強2段階の手法を提案する。
  論文  参考訳（メタデータ） (2026-05-06T08:56:20Z)
• Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming [64.48633529149579]
  本稿では,VLA(Vision-Language-Action)モデルの言語的変異に対する脆弱性を明らかにするための新しいフレームワークを提案する。 本手法は, ストレス試験用VLAエージェントへのスケーラブルなアプローチを示すため, 平均作業成功率を93.33%から5.85%に下げる。
  論文  参考訳（メタデータ） (2026-04-07T08:43:36Z)
• ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
  エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。 学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。 実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-03-16T12:03:58Z)
• CRAFT: Adapting VLA Models to Contact-rich Manipulation via Force-aware Curriculum Fine-tuning [46.57805525532354]
  Vision-Language-Actionモデルは一般的な命令を実行できるが、コンタクトリッチな操作タスクに苦労する。 CRAFTは、初期訓練中に視覚と言語埋め込みを調節する力覚カリキュラムの微調整フレームワークである。 CRAFTはタスクの成功を継続的に改善し、未確認のオブジェクトや新しいタスクのバリエーションに一般化し、多様なVLAアーキテクチャに効果的に適応することを示す。
  論文  参考訳（メタデータ） (2026-02-13T02:28:21Z)
• Hierarchical Vision Language Action Model Using Success and Failure Demonstrations [60.82332413442677]
  階層型視覚-言語-アクションモデルであるVINEを導入し,高レベル推論を低レベル制御から分離する。 システム2は、2Dシーングラフの抽象化を介して、実現可能性誘導木探索を行う。 システム1はエージェントのコアスキルを変更することなく、低レベルのアクションを実行する。
  論文  参考訳（メタデータ） (2025-12-03T15:58:38Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)

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。