Fugu-MT 論文翻訳(概要): What Matters for Latent Actions in Robot Learning

論文の概要: What Matters for Latent Actions in Robot Learning

arxiv url: http://arxiv.org/abs/2608.19613v1
Date: Thu, 20 Aug 2026 03:54:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.449531
Title: What Matters for Latent Actions in Robot Learning
Title（参考訳）: ロボット学習における潜伏行動の意義
Abstract要約: Latent Action Models (LAMs) は、ロボット学習が大規模にラベル付けされていないビデオを活用するための有望なパラダイムとして登場した。ロボット操作における潜在行動学習の総合的研究について紹介する。
参考スコア（独自算出の注目度）: 41.733127985154034
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Latent Action Models (LAMs) have emerged as a promising paradigm for enabling robot learning to leverage large-scale unlabeled videos through latent actions that serve as compact surrogates for physical actions. Despite rapid progress, research on LAM remains highly fragmented, with existing methods evaluating different design choices in isolation under inconsistent experimental settings, making it difficult to identify the factors that truly determine downstream robotic manipulation performance. In this work, we present the first comprehensive empirical study of latent action learning for robotic manipulation. We unify representative LAM methods within a common autoencoding framework and systematically investigate 41 LAM design choices across three dimensions, including latent action modeling paradigms, learning objectives and regularization methods, and latent action integration strategies. We further examine four proxy metrics for evaluating latent action quality and assess their ability to reliably predict downstream robotic manipulation performance. Extensive experiments on three widely used benchmarks provide strong empirical evidence that fine-tuning vision-language model (VLM) backbones with latent actions provides a stronger initialization for downstream policy learning, with further validation on real-world robot manipulation tasks.
Abstract（参考訳）: ラテントアクションモデル(LAM)は、ロボット学習が物理的なアクションのコンパクトなサロゲートとして機能する潜在アクションを通じて、大規模にラベル付けされていない動画を活用できるようにするための、有望なパラダイムとして登場した。急速な進歩にもかかわらず、LAMの研究は非常に断片的であり、既存の手法では、一貫性のない実験環境下で異なる設計選択を個別に評価し、下流でのロボット操作性能を真に決定する要因を特定することは困難である。本研究では,ロボット操作における潜在行動学習の総合的研究について紹介する。我々は,一般的な自動符号化フレームワークに代表的LAM手法を統一し,潜在動作モデリングパラダイム,学習目標と正規化手法,潜在動作統合戦略を含む3次元にわたる41のLAM設計選択を体系的に検討する。さらに、潜伏動作の質を評価するための4つの指標について検討し、下流ロボット操作性能を確実に予測する能力を評価する。広範に使用されている3つのベンチマークに対する大規模な実験は、微調整型視覚言語モデル(VLM)のバックボーンが下流のポリシー学習に強力な初期化をもたらし、現実世界のロボット操作タスクに対するさらなる検証をもたらすという、強力な実証的証拠を提供する。

関連論文リスト

Simple-to-Complex Structured Demonstrations for Vision-Language-Action Learning [9.340058165047717]
VLA(Vision-Language-Action)モデルは、ロボット操作において強力な能力を示している。実証組織を模倣学習の基本的かつ見過ごされている側面として認識する。両腕ロボットプラットフォームを用いたVLA学習のための簡易・複雑構造型実演収集戦略を提案する。
論文参考訳（メタデータ） (2026-07-06T01:38:43Z)
Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文参考訳（メタデータ） (2026-02-04T05:37:09Z)
Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives [101.22313265304979]
近年のビジョン,言語,マルチモーダル学習の進歩は,ロボット基礎モデルの進歩を加速させている。本研究は,ロボットの操作をアルゴリズムの観点から検討する。我々は、近年の学習に基づくアプローチを、高レベルの計画と低レベルの制御の統一的な抽象化の中に整理する。
論文参考訳（メタデータ） (2025-12-28T16:05:38Z)
StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation [56.996371714721995]
高度に圧縮された2つの状態表現を学習する教師なしの手法を提案する。私たちの表現は効率的で解釈可能で、既存のVLAベースのモデルとシームレスに統合されます。提案手法は,コンパクトな状態表現から一般化可能なロボットモーションを学習できることから,StaMoと命名する。
論文参考訳（メタデータ） (2025-10-06T17:37:24Z)
FreeAction: Training-Free Techniques for Enhanced Fidelity of Trajectory-to-Video Generation [50.39748673817223]
本稿では,ロボットビデオ生成における明示的な動作パラメータを完全に活用する2つのトレーニング不要な推論時間手法を提案する。第一に、アクションスケールの分類器フリーガイダンスは、動作の大きさに比例して誘導強度を動的に調整し、運動強度に対する制御性を高める。第二に、アクションスケールノイズトランケーションは、初期サンプルノイズの分布を調整し、所望の運動力学とよりよく一致させる。
論文参考訳（メタデータ） (2025-09-29T03:30:40Z)
Evaluating Uncertainty and Quality of Visual Language Action-enabled Robots [13.26825865228582]
ロボット操作タスクのためのVLAモデルに特化して設計された8つの不確実性指標と5つの品質指標を提案する。我々は,3つの最先端VLAモデルから908のタスク実行を成功させる大規模実証実験により,その有効性を評価する。
論文参考訳（メタデータ） (2025-07-22T22:15:59Z)
Active-O3: Empowering Multimodal Large Language Models with Active Perception via GRPO [63.140883026848286]
アクティブビジョン(Active Vision)とは、タスク関連情報を収集するために、どこでどのように見るべきかを積極的に選択するプロセスである。近年,マルチモーダル大規模言語モデル (MLLM) をロボットシステムの中心的計画・意思決定モジュールとして採用する動きが注目されている。
論文参考訳（メタデータ） (2025-05-27T17:29:31Z)
Sample Efficient Robot Learning in Supervised Effect Prediction Tasks [0.0]
MUSEL(Model Uncertainty for Sample-Efficient Learning)は、ロボット工学における回帰タスクに適した新しいALフレームワークである。 MUSELは学習精度とサンプル効率を両立させ,情報的サンプルを選択する学習行動効果の有効性を検証した。
論文参考訳（メタデータ） (2024-12-03T09:48:28Z)
Tactile Active Inference Reinforcement Learning for Efficient Robotic Manipulation Skill Acquisition [10.072992621244042]
触覚能動推論強化学習(Tactile Active Inference Reinforcement Learning, Tactile-AIRL)と呼ばれるロボット操作におけるスキル学習手法を提案する。強化学習(RL)の性能を高めるために,モデルに基づく手法と本質的な好奇心をRLプロセスに統合した能動推論を導入する。本研究では,タスクをプッシュする非包括的オブジェクトにおいて,学習効率が著しく向上することが実証された。
論文参考訳（メタデータ） (2023-11-19T10:19:22Z)
Sample-Efficient Reinforcement Learning with Symmetry-Guided Demonstrations for Robotic Manipulation [7.099237102357281]
強化学習(RL)は、特に高次元連続状態-作用空間において、サンプル効率の低下に悩まされる。デモとRL生成の両方を格納するデュアルバッファアーキテクチャを用いた新しいトレーニングフレームワークであるDemo-EASEを紹介する。その結果,Demo-EASEは標準のRLベースラインに比べてコンバージェンスを著しく加速し,最終性能を向上させることがわかった。
論文参考訳（メタデータ） (2023-04-12T11:38:01Z)
Active Exploration for Robotic Manipulation [40.39182660794481]
本稿では,スパース・リワード型ロボット操作作業における効率的な学習を可能にするモデルに基づく能動探索手法を提案する。我々は,提案アルゴリズムをシミュレーションおよび実ロボットで評価し,スクラッチから本手法を訓練した。
論文参考訳（メタデータ） (2022-10-23T18:07:51Z)

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。