論文の概要: Toward Unified Robot Learning: Bridging Representation, Vision-Language-Action, and World Models
- arxiv url: http://arxiv.org/abs/2609.03927v1
- Date: Thu, 03 Sep 2026 14:40:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.116691
- Title: Toward Unified Robot Learning: Bridging Representation, Vision-Language-Action, and World Models
- Title（参考訳）: 統合型ロボット学習を目指して--ブリッジング表現,ビジョンランゲージ・アクション,世界モデル
- Abstract要約: 本稿では,既存の手法を3つの相補的軸に沿って整理することにより,ロボット学習の統一的な視点を示す。
ロボット学習分野における課題として,不確実性の定量化,分布外一般化,クロス・エボディメント・トランスファー,ロング・ホライゾン・プランニングなどを挙げる。
これらの課題は、個々のコンポーネント内の制限だけでなく、知覚、行動、推論をまたいだ統合の欠如からも生じます。
- 参考スコア（独自算出の注目度）: 8.677216718310374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For robots to operate reliably in real-world environments, they need to perceive their surroundings, act, and reason about the consequences of those actions. Rapid progress in the domains of representation learning, VLA models, and world models has significantly enhanced the capabilities of robot learning systems, enabling robots to work in increasingly complex environments. However, these paradigms are typically developed in isolation, resulting in fragmented systems that struggle with generalization, long-horizon temporal reasoning and planning, and deployment in unstructured environments. In this survey, we present a unified perspective on robot learning by organizing the existing methods along three complementary axes: understanding through representation learning, acting through VLA models, and reasoning through world models. We introduce a structured taxonomy that captures key design choices in environment representation, policy learning, and predictive modeling, and summarize the recent progress in these domains. Beyond classifying the existing works, we analyze how these components interact, discuss common limitations, and highlight emerging trends towards more integrated systems. Through this lens, we identify the challenges in the domain of robot learning, including uncertainty quantification, out-of-distribution generalization, cross-embodiment transfer, long-context understanding, and long-horizon planning. We argue that these challenges arise not only from limitations within individual components but also from the lack of integration across perception, action, and reasoning. Building on this analysis, we outline future directions towards unified, physically grounded, and probabilistic robot learning to develop robust robotic systems that maintain consistent internal representations and support decision making over extended interactions in real-world environments.
- Abstract（参考訳）: ロボットが現実世界の環境で確実に動作するためには、周囲を察知し、行動し、それらの行動の結果を判断する必要がある。
表現学習、VLAモデル、世界モデルの領域の急速な進歩は、ロボット学習システムの能力を大幅に向上させ、ロボットがますます複雑な環境で作業できるようにした。
しかし、これらのパラダイムは一般的に独立して開発され、その結果、一般化に苦しむ断片化されたシステム、長期の時間的推論と計画、そして非構造環境への展開へと繋がる。
本稿では,3つの相補的軸に沿って既存の手法を整理することにより,ロボット学習の統一的な視点を示す。
環境表現,政策学習,予測モデリングにおいて重要な設計選択を捉える構造的分類法を導入し,これらの領域における最近の進歩を要約する。
既存の作業の分類以外にも、これらのコンポーネントがどのように相互作用するかを分析し、共通の制限について議論し、より統合されたシステムへの新たなトレンドを強調します。
このレンズを通して、不確実性定量化、分布外一般化、クロス・エボディメント・トランスファー、長期理解、長期計画など、ロボット学習の領域における課題を特定する。
これらの課題は、個々のコンポーネント内の制限だけでなく、知覚、行動、推論をまたいだ統合の欠如からも生じます。
この分析に基づいて、一貫した内部表現を維持し、現実世界の環境における拡張的相互作用よりも意思決定をサポートするロバストなロボットシステムを開発するために、統一的、物理的に基礎を置き、確率論的ロボット学習に向けた今後の方向性を概説する。
関連論文リスト
- Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning [128.76135832773102]
物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。
近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。
これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
論文 参考訳（メタデータ） (2026-08-02T14:22:01Z) - AI-IoT-Robotics Integration: Survey of Frameworks, Emerging Trends, and the Path Toward Connected Robotics [1.4337588659482519]
人工知能、モノのインターネット、ロボティクスの融合は、もはや未来的なビジョンではない。
AIoTとInternet of Robotic Things (IoRT)のようなペアワイズの組み合わせは進歩しているが、これら3つを完全に統合した統一設計フレームワークはいまだに存在しない。
この調査は、これらの領域における最先端の最先端におけるSLM(Small Language Models)と、クラウドにおけるLLM(Large Language Models)の出現する役割を強調し、最先端の最先端における最先端の最先端技術について要約する。
論文 参考訳（メタデータ） (2026-05-31T05:10:34Z) - World Model for Robot Learning: A Comprehensive Survey [168.5691568303064]
この調査は、ロボット学習の世界モデルに関する急速に成長している文献を体系的にレビューする。
本研究では,世界モデルがロボット政策とどのように結合されているか,強化学習と評価のための学習シミュレータとしてどのように機能するか,ロボットビデオワールドモデルが想像力に基づく生成から,制御可能で構造化された,基礎的規模の定式化までどのように進展してきたかを検討する。
本調査は,ロボット学習の世界モデルに関する文献を体系的にレビューし,主要なパラダイムと応用を明らかにするとともに,具体的エージェントにおける予測モデリングの大きな課題と今後の方向性を明らかにする。
論文 参考訳（メタデータ） (2026-04-30T14:35:31Z) - 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) - A Step Toward World Models: A Survey on Robotic Manipulation [58.8419978790227]
本稿では,ロボット操作の手法のレビューを通じて,世界モデルのコア機能を示すアプローチについて考察する。
我々は、認識、予測、制御にまたがる役割を分析し、主要な課題と解決策を特定し、完全に実現された世界モデルが持つべきコアコンポーネント、能力、機能を蒸留する。
論文 参考訳（メタデータ） (2025-10-31T00:57:24Z) - Bayesian Inverse Physics for Neuro-Symbolic Robot Learning [13.63049975599771]
現実世界のロボットアプリケーションは適応的で解釈可能で、データ効率のよい学習パラダイムを必要とする。
我々は、データ駆動学習と意図的に構造化された推論を組み合わせるための概念的枠組みを導入する。
このようなハイブリッドなニューロシンボリックアーキテクチャは、次世代の自律システムには不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2025-06-10T12:53:31Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - GRAPPA: Generalizing and Adapting Robot Policies via Online Agentic Guidance [15.774237279917594]
本稿では,ロボットによる自己指導と自己改善のためのエージェントフレームワークを提案する。
本フレームワークは,環境中の関連オブジェクトに対して,ベースロボットポリシーを反復的に適用する。
弊社のアプローチは、操作ポリシーを効果的にガイドし、成功率を大幅に向上させることを実証する。
論文 参考訳（メタデータ） (2024-10-09T02:00:37Z) - A Survey on Robotics with Foundation Models: toward Embodied AI [30.999414445286757]
近年のコンピュータビジョン,自然言語処理,マルチモーダリティ学習の進歩は,基礎モデルが特定のタスクに対して超人的能力を持つことを示している。
この調査は、ロボット工学の基礎モデルの包括的で最新の概要を提供し、自律的な操作に焦点を当て、高レベルの計画と低レベルの制御を包含することを目的としている。
論文 参考訳（メタデータ） (2024-02-04T07:55:01Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z)
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。