論文の概要: CompCPZ: Preserving Multi-Modal Intent in Language-Guided Robot Manipulation
- arxiv url: http://arxiv.org/abs/2608.17717v1
- Date: Tue, 18 Aug 2026 12:42:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.335904
- Title: CompCPZ: Preserving Multi-Modal Intent in Language-Guided Robot Manipulation
- Title（参考訳）: CompCPZ:言語誘導型ロボット操作におけるマルチモーダルインテントの保存
- Abstract要約: CompCPZは、言語条件学習システムにおける多モーダルな解離表現を復元する。
クローズドループのMani3テーブルトップ操作ベンチマークでは、CompCPZは凸セット、マルチピークデコーダより優れている。
- 参考スコア（独自算出の注目度）: 5.729355873498009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robot asked to "place the cup near the red plate or the blue plate" may reach the centroid between them and appear geometrically successful, while satisfying neither disjunct of the instruction. This silent semantic failure exposes a structural limitation of language-conditioned robot policies: representations that collapse a disjunctive instruction into a single connected set cannot preserve all feasible modes, and planners that commit to one action degrade under run-time mode uncertainty. We address this limitation with CompCPZ, a sound algebraic layer that language-conditioned learning systems wrap to recover multi-modal disjunctive representation, recursively composing per-primitive constrained polynomial zonotope enclosures along the language parse tree with distribution-free conformal coverage and sub-millisecond runtime. On a closed-loop ManiSkill3 tabletop-manipulation benchmark, CompCPZ outperforms convex set baselines, multi-peak decoders, and a zero-shot vision-language-action model (1,900/1,918 paired wins, p << 10^(-30)); the same compiler also transfers without retuning to planar real-robot trials on a Unitree Go2 quadruped under motion capture. These results suggest that compositional language grounding should be evaluated not only by reaching a decoded target, but by whether the represented feasibility set preserves the connected-component structure of the user's intent.
- Abstract（参考訳）: 赤いプレートや青いプレートの近くにカップを置く」よう求められたロボットは、その間のセントロイドに到達し、幾何学的に成功し、命令の差を満たさない。
このサイレントなセマンティック障害は、言語条件のロボットポリシーの構造的制限を露呈する: 解離命令を単一の連結集合に分解する表現は、すべての実行可能なモードを保存することはできない。
この制限は、言語条件付き学習システムがマルチモーダルな解離表現を取り戻すためにラップする音声代数層CompCPZで対処し、分散のないコンフォメーションカバレッジとサブミリ秒のランタイムを備えた言語パースツリーに沿って、プリミティブな制約付き多項式 zonotope の囲いを再帰的に構成する。
クローズドループのManiSkill3テーブルトップ操作ベンチマークでは、CompCPZは凸セットベースライン、マルチピークデコーダ、ゼロショットビジョン言語アクションモデル(1,900/1,918対の勝利、p <<10^(-30))を上回り、同じコンパイラも、モーションキャプチャーで四足歩行したUnitree Go2の平面実ロボット試行に修正することなく転送する。
これらの結果から, 合成言語接頭辞は, 符号化対象に到達するだけでなく, 表現可能な集合がユーザの意図の連結成分構造を保っているかどうかによって評価されるべきであることが示唆された。
関連論文リスト
- A Few Words Go a Long Way: Language Guided Robot Policy Synthesis [9.088404024682706]
ARCHITECTは、ロボットポリシー取得をインタラクティブなプログラム合成タスクとして扱うフレームワークである。
我々は,人間の監督者が政策を操縦するために自然言語の修正を行う反復的なプロセスを導入する。
フランカパンダロボットのベンチマーク評価では、ARCHITECTは最先端のVLAモデルより優れている。
論文 参考訳（メタデータ） (2026-07-26T18:00:02Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - Bridging Semantics and Kinematics: A Modular Framework for Zero-Shot Robotic Manipulation [0.6927055673104934]
このアーキテクチャは、視覚行動パイプラインを視覚認識、意味解釈、タスク実行の3段階に分解することで、高レベルの推論と低レベルの運動学のギャップを埋める。
このフレームワークは、制約のないオープンワールドシーケンシャルな操作と密接なリレーショナルな空間的推論という、2つのゼロショット実験装置で評価される。
論文 参考訳（メタデータ） (2026-06-22T11:01:56Z) - OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。
トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。
エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T07:50:00Z) - Unifying Heterogeneous Multi-Modal Remote Sensing Detection Via Language-Pivoted Pretraining [59.2578488860426]
不均一なマルチモーダルリモートセンシングオブジェクト検出は、多様なセンサからオブジェクトを正確に検出することを目的としている。
既存のアプローチでは、下流の微調整中にモーダリティアライメントとタスク固有の最適化が絡み合う遅延アライメントパラダイムが採用されている。
本稿では,下流のタスク学習からモダリティアライメントを明確に分離する,統一型言語パイロット事前学習フレームワークであるBabelRSを提案する。
論文 参考訳（メタデータ） (2026-03-02T11:38:12Z) - Large Language Models as General Pattern Machines [64.75501424160748]
我々は,事前訓練された大規模言語モデル (LLM) が,複雑なトークンシーケンスを自動回帰的に完了することを示す。
驚いたことに、語彙からランダムにサンプリングされたトークンを用いてシーケンスが表現された場合でも、パターン完了の習熟度を部分的に保持することができる。
本研究では,ロボット工学における問題に対して,これらのゼロショット機能がどのように適用されるかを検討する。
論文 参考訳（メタデータ） (2023-07-10T17:32:13Z) - Graph-based Reinforcement Learning meets Mixed Integer Programs: An
application to 3D robot assembly discovery [34.25379651790627]
我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。
我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
論文 参考訳（メタデータ） (2022-03-08T14:44:51Z) - Inducing Transformer's Compositional Generalization Ability via
Auxiliary Sequence Prediction Tasks [86.10875837475783]
体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。
既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。
本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-30T16:41:19Z) - Zero-Shot Cross-lingual Semantic Parsing [56.95036511882921]
7つのテスト言語に対する並列データを持たないゼロショット問題として,言語間セマンティックパーシングについて検討した。
英文論理形式ペアデータのみを用いて解析知識を付加言語に転送するマルチタスクエンコーダデコーダモデルを提案する。
このシステムは、ゼロショット解析を潜時空間アライメント問題としてフレーム化し、事前訓練されたモデルを改善し、最小のクロスリンガル転送ペナルティで論理形式を生成することができる。
論文 参考訳（メタデータ） (2021-04-15T16:08:43Z) - Multitask Pointer Network for Multi-Representational Parsing [0.34376560669160383]
本稿では,1つのモデルをトレーニングすることにより,任意の入力文を構成木と依存木の両方で効率的に解析できる遷移ベースアプローチを提案する。
我々は2つのタスク固有のデコーダと共通エンコーダを備えたポインタネットワークアーキテクチャを開発し、それらを共同で訓練するための学習戦略に従う。
論文 参考訳（メタデータ） (2020-09-21T10:04:07Z) - Discontinuous Constituent Parsing with Pointer Networks [0.34376560669160383]
不連続な構成木は、ドイツ語のような言語の文法的な現象を表現するのに不可欠である。
係り受け解析の最近の進歩は、ポインタネットワークが文中の単語間の構文関係を効率的に解析することに優れていることを示している。
本稿では,最も正確な不連続な構成表現を生成するニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-05T15:12:03Z)
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。