論文の概要: Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI

• arxiv url: http://arxiv.org/abs/2609.04552v1
• Date: Thu, 03 Sep 2026 23:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.859846
• Title: Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI
• Title（参考訳）: 展開後の物理AIのための連続場適応モデル(CFAM)
• Abstract要約: 本研究では,実験室で効率よく学習し,展開後も学習を続ける連続場適応モデルを提案する。 CFAMは、凍結したスローラーニングコンポーネントと高速ラーニングカプセルフィールドを備えた補完的な学習アーキテクチャを使用している。 CFAMは, マニピュレータ, 四足歩行, ヒューマノイド, 四足歩行, オフロード車両の5つの実施形態で評価した。
• 参考スコア（独自算出の注目度）: 44.61729316171525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unattended interactive autonomy - machines that step into danger in place of humans and complete tasks with human tools - remains a missing capability in mission-critical operations. These domains offer scarce training data and only onboard compute, yet deployed systems must face novelty without erasing prior competence. We introduce Continual Field-Adaptive Models (CFAMs), which learn efficiently in the lab and continue learning after deployment through autonomous, gradient-free, on-device updates. CFAM uses a complementary learning architecture with a frozen slow-learning component and a fast-learning Capsule Field. The slow component contains three cortices: Sensor, which maps multimodal input into 3D-grounded geometry; Reasoning, which decomposes tasks into skills and evaluates outcomes; and Action, which executes geometric skills. The Capsule Field stores field learning one-shot and gradient-free as Competence Capsules. Skill installation is few-shot in the lab and continual in the field; open-world novelty is outside scope. We evaluate CFAM across five embodiments: manipulator, quadruped, humanoid, quadrotor, and off-road vehicle. Baselines (pi0, CogACT, SpatialVLA) use the same in-house multi-embodiment dataset for physical-platform comparisons. CFAM reaches the operating point of a standard policy trained on the full prior-training dataset using 40% of the data, or 2.5x fewer trajectories. At test time, autonomous capture of verified near-OOD cases improves action success by 13.9 percentage points. In sequential simulation, backward transfer is -0.5 percentage points versus -11.4 for LoRA. CFAM therefore provides a bounded form of post-deployment physical intelligence: few-shot skill learning, autonomous field growth from verified near-OOD experience, and retention of prior competence.
• Abstract（参考訳）: 意図しない対話的自律 - 人間の代わりに危険な状態に入り、人間のツールでタスクを完了させるマシン - は、ミッションクリティカルな運用において不足する能力を維持している。 これらのドメインは、少ないトレーニングデータと、オンボードの計算のみを提供するが、デプロイされたシステムは、事前の能力を排除することなく、新規性に直面する必要がある。 実験室で効率よく学習し、自律的で勾配のないオンデバイスアップデートを通じてデプロイ後の学習を継続する連続場適応モデル(CFAM)を導入する。 CFAMは、凍結したスローラーニングコンポーネントと高速ラーニングカプセルフィールドを備えた補完的な学習アーキテクチャを使用している。 遅い成分には、3つの皮質が含まれる: センサー、マルチモーダル入力を3Dグラウンドの幾何学にマッピングする、推論、タスクをスキルに分解して結果を評価する、アクション、幾何学的なスキルを実行する。 Capsule Fieldは、Competence Capsulesとして、ワンショットでグラデーションなしのフィールド学習を格納する。 スキルのインストールは研究室ではほとんど行われず、この分野では継続している。 CFAMは, マニピュレータ, 四足歩行, ヒューマノイド, 四足歩行, オフロード車両の5つの実施形態で評価した。 Baselines(pi0、CogACT、SpatialVLA)は、物理プラットフォーム比較のために、同じ社内マルチエンボディメントデータセットを使用する。 CFAMは、データの40%、または2.5倍少ないトラジェクトリを使用して、完全な事前トレーニングデータセットでトレーニングされた標準ポリシーの運用ポイントに達する。 テスト時には、検証済みの近OOD症例の自律的捕獲は、アクションの成功率を13.9%向上させる。 逐次シミュレーションでは、後方転送は−0.5パーセンテージであり、LoRAは-11.4である。 したがってCFAMは、数発のスキル学習、実証された近OOD経験からの自律的フィールド成長、事前の能力の維持といった、展開後の物理的な知性に縛られた形態を提供する。

関連論文リスト

• ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI [110.18670135256235]
  Embodied AIは、独立した知覚やアクションモジュールから、目標を理解し、計画し、進捗を監視し、経験から改善する物理的なエージェントへと移行している。 ACE-Brain-0.5は,ロボットの知性を5つの結合関数にまとめる統一的な基礎モデルである。 単一の8Bバックボーンは、最初の4つの機能をインスタンス化する: オブジェクトとアベイランスを接地し、3Dとエゴセントリックな空間関係を推論し、命令をサブゴールに分解し、ナビゲーションと操作アクションを生成し、検証と回復の進捗を推定する。
  論文  参考訳（メタデータ） (2026-07-05T17:43:06Z)
• GradMAP: Gradient-Based Multi-Agent Proximal Learning for Grid-Edge Flexibility [0.9940728137241214]
  GradMAPは、パラメータを共有することなく、各エージェントに対して独立したニューラルネットワークポリシーをトレーニングする。 オフライントレーニング中、GradMAPは3相交流パワーフローモデルをプリマルデュアル学習ループに組み込む。 トレーニングを高速化するため、GradMAPは信頼領域内の近位代理を通して高価な環境勾配を再利用する。
  論文  参考訳（メタデータ） (2026-04-27T14:43:02Z)
• DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI [84.9072161615971]
  我々は,物理AI用に設計された身体的負の視覚・言語・アクション・フレームワークであるDM0を提案する。 当社の方法論は,事前トレーニング,中級トレーニング,ポストトライニングという,包括的な3段階のパイプラインに従っています。 RoboChallengeベンチマークの実験では、DM0はスペシャリストとジェネリリストの両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-16T17:59:16Z)
• ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
  ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。 これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。 ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
  論文  参考訳（メタデータ） (2026-02-11T16:47:01Z)
• FLAD: Federated Learning for LLM-based Autonomous Driving in Vehicle-Edge-Cloud Networks [13.159277094011053]
  Federated Learning(FL)は、自動運転車が生データを共有せずに、協力的にモデルを訓練できるようにすることを約束している。 We present Federated LLM-based Autonomous Driving (FLAD) a FL framework that leverageing distributed multimodal sensory data across AVs in heterogeneous environment。 FLAD には,(1) 通信遅延を低減し,データのプライバシを保護するクラウドエッジ車両協調アーキテクチャ,(2) 訓練効率を最適化する通信スケジューリング機構を用いたインテリジェント並列協調トレーニング,(3) 異種エッジデータに基づいて LLM をパーソナライズする知識蒸留手法,の3つの革新がある。
  論文  参考訳（メタデータ） (2025-11-12T06:25:13Z)
• Self-Supervised Learning to Fly using Efficient Semantic Segmentation and Metric Depth Estimation for Low-Cost Autonomous UAVs [5.602128292727329]
  本稿では,制御室内環境下での小型UAVのための視覚のみの自律飛行システムを提案する。 このシステムは、セマンティックセグメンテーションと単眼深度推定を組み合わせることで、障害物回避、シーン探索、自律型安全な着陸操作を可能にする。 鍵となる革新は適応スケールファクターアルゴリズムであり、非メトリックな単眼深度予測を正確な距離測定に変換する。
  論文  参考訳（メタデータ） (2025-10-18T19:35:17Z)
• InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy [138.89177083578213]
  空間接地とロボット制御のための統合フレームワークであるInternVLA-M1を紹介する。 InternVLA-M1は、(i)2.3M以上の空間的推論データに基づく空間的グラウンドトレーニングと(ii)空間的に誘導された後トレーニングという、2段階のパイプラインを使用する。 結果: InternVLA-M1 は SimplerEnv Google Robot で+14.6%、WidowX で+17%、LIBERO Franka で+4.3% で、空間誘導なしでその変種を上回った。
  論文  参考訳（メタデータ） (2025-10-15T17:30:05Z)
• Enabling Federated Object Detection for Connected Autonomous Vehicles: A Deployment-Oriented Evaluation [3.030192467988537]
  本研究は、コネクテッド・オートモービルズ(CAV)におけるフェデレート・ラーニング(FL)に基づくオブジェクト検出の総合的な展開指向評価を初めて導入するものである。 我々は、KITTI、BDD100K、nuScenesデータセットで評価された最先端検出器であるYOLOv5、YOLOv8、YOLOv11、Deformable DETRを用いている。 我々は,検出精度,計算コスト,資源利用のトレードオフを多種多様な解像度,バッチサイズ,天気・照明条件,動的クライアント参加で分析し,CAVにおける堅牢なFL展開の道を開く。
  論文  参考訳（メタデータ） (2025-09-02T01:23:50Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)

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。