論文の概要: VLCP: Vision Language Control Policy Closed-Loop Code Replanning for Robot Manipulation
- arxiv url: http://arxiv.org/abs/2608.16978v1
- Date: Mon, 17 Aug 2026 17:28:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.085866
- Title: VLCP: Vision Language Control Policy Closed-Loop Code Replanning for Robot Manipulation
- Title（参考訳）: VLCP:ロボットマニピュレーションのための視覚言語制御ポリシークローズドループコード再構成
- Abstract要約: VLCPは、1回で障害が実際に制御コード上に存在するループを閉じる。
K$のステップ毎に、VLMは、マルチビューRGB、プロプリセプティブステート、状態デルタからシーンを再監視し、その後、見たものからコントロール機能を書き換える。
- 参考スコア（独自算出の注目度）: 0.664528359261444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Turning a frontier vision-language model into a robot policy usually means fine-tuning it to emit an action representation it never saw in pretraining, which throws away much of the reasoning that made the model worth reaching for. We go the other way and keep the VLM frozen. It writes the policy as a short Python control function, with no demonstrations and no fine-tuning. Writing that code once is open-loop, though. Existing closed-loop methods react at the wrong level: they retry a fixed policy or pick a different subtask, but never rewrite the code that failed. VLCP closes the loop where the failure actually lives, on the control code, within a single episode. Every $K$ steps the VLM re-observes the scene from multi-view RGB, proprioceptive state, and a state delta, then rewrites the control function from what it just saw, so a failure is caught before it compounds. We evaluate on a 57-task MuJoCo/RoboVerse sweep. This training-free policy reaches $35.1\%$ pooled success, against $3.5\%$ for the identical system queried once per episode. That tenfold gap holds with non-overlapping confidence intervals in every scene family. The gain traces to a $27.3\%$ within-episode recovery rate on failed grasps: a miss an open-loop controller would carry to the end of the episode gets re-observed and fixed at the next replan. And the loop stays cheap. A median $84\%$ of input tokens hit cache, an episode needs only about $10$ compact queries, and control blocks written during any replan persist to a cross-episode skill library reused in later prompts.
- Abstract（参考訳）: 通常、フロンティアの視覚言語モデルをロボットポリシーに変えることは、事前訓練で見たことのないアクション表現を微調整することで、モデルに到達する価値のある理由の多くを放棄する。
反対方向に進み、VLMを凍結させ続けます。
ポリシを短いPythonコントロール関数として記述するが、デモは行わず、微調整も行わない。
ただし、コードを一度書くのはオープンループだ。
既存のクローズドループメソッドは間違ったレベルで反応する: 彼らは固定されたポリシーをリトライするか、別のサブタスクを選択するが、失敗したコードを書き換えることはない。
VLCPは、1回で障害が実際に制御コード上に存在するループを閉じる。
K$のステップ毎に、VLMは、マルチビューRGB、プロプリセプティブステート、状態デルタからシーンを再監視し、その後、見たものからコントロール機能を書き換える。
57タスクのMuJoCo/RoboVerseスイープについて検討した。
このトレーニングフリーのポリシーは35.1\%$プールされた成功に到達し、同じシステムがエピソード毎に1回クエリされた場合、3.5\%$に到達した。
この10倍のギャップは、すべてのシーンファミリにおいて、重複しない信頼区間を保ちます。
ゲインは27.3 %$ エピソード内のリカバリレートに遡るが、未解決の把握により: オープンループコントローラのミスがエピソードの終わりまで持ちこたえると、次のリプランで再観測され修正される。
そして、ループは安上がりだ。
入力トークンの中央値である84.%がキャッシュにヒットし、後続のプロンプトで再利用されたクロスエピソードスキルライブラリに永続化されるリプラン中に書かれたコントロールブロックは10ドル程度しか必要としない。
関連論文リスト
- ValueFormer: A Causal Transformer Value Function with Stage-Aware Labels for Semi-Autonomous Vision-Language-Action Policies [0.576537956677604]
本稿では,凍結したDINOv3バックボーン上の因果変換器であるValueFormerを紹介する。
障害エピソードには、障害ステージ前の成功曲線を保存するステージ認識、成功テーマデカイリターンとラベル付けされ、単一の障害時間ではなく、ミス間隔から検出が監視される。
論文 参考訳（メタデータ） (2026-08-03T23:46:39Z) - $π\mathbf{R}^2$: Reactive Real-time Flow Policies [29.79273331426566]
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。
論文 参考訳（メタデータ） (2026-07-28T17:59:31Z) - Zero2Skill: Bootstrapping Robot Skills through Autonomous Data Collection, Training, and Deployment [53.913175773174636]
既存のパイプラインは、自己リセット、VLM検証、言語指導による修正を通じて、人間の労力を減らす。
Zero2Skill(ゼロ2スキル)は、人ロボットの共生型エージェントシステムで、丸ごとの修正を維持・再利用する。
論文 参考訳（メタデータ） (2026-07-15T17:16:24Z) - DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。
DemoBridgeの中核は、衝突を意識した単一のプランナーである。
物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
論文 参考訳（メタデータ） (2026-07-10T15:31:04Z) - Sequential Planning via Anchored Robotic Keypoints [3.176338968032152]
トレーニング不要なニューロシンボリック操作システムであるSPARK(Anchored Robotic Keypoints, SPARK)について述べる。
単一のGeminiコールは、構成可能なキネマティックプリミティブの型付き振舞いツリー(BT)としてプランを構成する。
2つ目のGeminiコールでは、オブジェクトごとに3つの代替テキストプロンプトが提案され、SAM3がそれぞれを評価します。
代替のプロンプトは、空間スイートに+27.7、オブジェクトスイートに+10.0、全体のリカバリループに+5.0を加算する。
論文 参考訳（メタデータ） (2026-06-29T17:48:01Z) - MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation [32.07039868974098]
本稿では,ビデオワールドモデルポリシーのためのエピソードメモリ機構であるMemoryVAMを提案する。
我々はRecap-Cue(RC)モジュールを使用し、PerceiverベースのRecapはフレーム単位のCLIPをコンパクトなメモリトークンにマップする。
これらのトークンはビデオバックボーンとアクションデコーダの両方に注入され、ポリシーのイマジネーションとエピソードの進行と履歴の条件付けとを一致させる。
論文 参考訳（メタデータ） (2026-06-13T08:54:52Z) - LACUNA: Safe Agents as Recursive Program Holes [3.2613419151327343]
LLMエージェントはますますコードを記述することで振る舞うが、エージェントを駆動するランタイムとモデルが記述するコードの間には分割が持続する。
我々は、安全性を維持しながら、この分割を閉じるエージェントのためのプログラミングモデルであるLACUNAを紹介する。
我々のプリミティブは、通常の制御フローとしてReActループ、サブエージェント、スキル、並列分解、マルチモデル計画を表現する。
論文 参考訳（メタデータ） (2026-05-27T15:27:25Z) - Capability and Robustness Cannot Both Be Free: An Information-Theoretic Bound for Vision-Language-Action Models [0.0]
VLA(Vision-Language-Action)モデルはクリーンな入力で高い成功率に達するが、小さな逆方向の摂動で崩壊する。
PGD攻撃は、OpenVLA-7BのLIBEROの成功を95%ドルから5%以下に下げることを示す。
任意のVLAポリシーに対して、capability $I(Astar;Api)$と robustness $I(Api;Atildepi)-I(Api;)$ sum to at least $H(Astar)+I(X;Xt)
論文 参考訳（メタデータ） (2026-05-25T14:16:57Z) - VideoNet: A Large-Scale Dataset for Domain-Specific Action Recognition [107.13283099863123]
我々は37ドメインから1,000の異なるアクションをカバーするドメイン固有のアクション認識ベンチマークであるVideoNetを紹介する。
視覚言語モデル(VLM)は、コンテキスト内サンプルを十分に活用するのに苦労している。
ドメイン固有のアクションのための、最初の大規模なトレーニングデータセットを収集し、合計で500万近いビデオ質問応答ペアを収集する。
論文 参考訳（メタデータ） (2026-05-04T17:11:16Z) - Near-Optimal Regret for Adversarial MDP with Delayed Bandit Feedback [67.63049551992816]
エピソードマルコフ決定過程(MDP)におけるオンライン学習について検討した。
ほぼ最適の$sqrtK + D$ regret, where $K$ is the number of episodes, $D = sum_k=1K dk$ is the total delay。
論文 参考訳（メタデータ） (2022-01-31T12:34:26Z) - 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) - Near-optimal Regret Bounds for Stochastic Shortest Path [63.029132134792555]
最短経路 (SSP) は計画と制御においてよく知られた問題であり、エージェントは最小の総コストで目標状態に到達する必要がある。
任意の学習アルゴリズムは、最悪の場合、少なくとも$Omega(B_star sqrt|S| |A|K)$後悔しなければならない。
論文 参考訳（メタデータ） (2020-02-23T09:10:14Z)
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。