論文の概要: LIBERO-RECOVER: Beyond Task Success Towards Failure Recovery in Robotic Manipulation Models

• arxiv url: http://arxiv.org/abs/2609.05178v1
• Date: Fri, 04 Sep 2026 14:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.06739
• Title: LIBERO-RECOVER: Beyond Task Success Towards Failure Recovery in Robotic Manipulation Models
• Title（参考訳）: LIBERO-RECOVER:ロボットマニピュレーションモデルにおける障害復旧に向けたタスク成功を超えて
• Abstract要約: 本稿では,ロボット操作における障害回復のための大規模ベンチマークであるLIBERO-Recover Benchmarkを紹介する。 我々は、SOTAを具体化したモデルから実際の実行失敗を収集し、4つのリカバリレベルにわたって1000以上のシナリオを構築します。 空間的理解,オブジェクト構造推論,相互作用理解,トポロジカル推論の4つのコア機能を評価する。
• 参考スコア（独自算出の注目度）: 48.57715789642472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) or World Action (WAM) models have recently demonstrated remarkable performance in robotic manipulation. On LIBERO, SOTA method have achieved nearly 100\% success rates, seemingly suggesting that the models are ready for deployment in real world. However, near perfect performance on existing benchmarks can be misleading: success under ideal conditions does not imply real world robustness. Existing benchmarks primarily evaluate task completion from predefined initial states, while real world interactions inevitably involve failures such as failed grasps, collisions, and unintended object movements. A robot must therefore not only execute tasks successfully, but also recognize and recover from failures to continue the task. Yet this capability remains largely unmeasured, revealing a critical gap between benchmark performance and real world reliability. To address this gap, we introduce LIBERO-Recover Benchmark, a large scale benchmark for failure recovery in robotic manipulation. Built upon LIBERO, we collect real execution failures from SOTA embodied models and construct 1,000+ scenarios across four recovery levels: (1) Action Retry, (2) Action Adaptation, (3) Object State Recovery, and (4) Environmental Recovery. We evaluate four core capabilities: spatial understanding, object structure reasoning, interaction understanding, and topological reasoning. As the first large-scale benchmark for embodied failure recovery, LIBERO-Recover shifts evaluation from \emph{Can the robot succeed?''} to \emph{Can the robot recover after failure?''}, promoting robust and generalizable embodied agents. The project will be avaible in \textcolor{blue}{https://liulin815.github.io/LIBERO-Recovery/}.
• Abstract（参考訳）: VLA(Vision-Language-Action)またはWAM(World Action)モデルは、最近ロボット操作において顕著な性能を示した。 LIBEROでは、SOTAメソッドが100倍近い成功率を達成した。 しかし、既存のベンチマークにおけるほぼ完全なパフォーマンスは誤解を招く可能性がある。 既存のベンチマークは主に事前に定義された初期状態からタスク完了を評価するが、現実の相互作用は必然的に、つかみの失敗、衝突、意図しない物体の動きなどの失敗を伴う。 したがって、ロボットはタスクを正常に実行するだけでなく、タスクを継続するために失敗を認識して回復する必要がある。 しかし、この機能は依然としてほとんど測定されていないため、ベンチマークパフォーマンスと現実の信頼性の間には重大なギャップがある。 このギャップに対処するために,ロボット操作における障害回復のための大規模ベンチマークであるLIBERO-Recover Benchmarkを導入する。 LIBEROをベースとして,SOTAを具体化したモデルから実際の実行失敗を収集し,(1)アクションリトライ,(2)アクション適応,(3)オブジェクト状態回復,(4)環境回復の4段階にわたる1000以上のシナリオを構築した。 空間的理解,オブジェクト構造推論,相互作用理解,トポロジカル推論の4つのコア機能を評価する。 エンボディド障害回復のための最初の大規模なベンチマークとして、LIBERO-Recover は 'emph{Can the Robot succeed?'} から 'emph{Can the Robot recovery after failure?'} へと評価をシフトし、堅牢で一般化可能なエンボディエージェントを促進する。 このプロジェクトは、textcolor{blue}{https://liulin815.github.io/LIBERO-Recovery/}で検証可能である。

関連論文リスト

• FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation [43.89036551517797]
  VLA(Vision-Language-Action Models)は、複雑な長距離ロボット操作タスクへの一般化において、大きな可能性を証明している。 彼らのパフォーマンスは、通常、軌道単調で障害のないデモンストレーションで訓練されるため、不安定なままである。 我々は、リトライとリセットのパラダイムを通じて、堅牢なエラー回復機能を備えたVLAを実現する新しいフレームワークであるFLAREを提案する。
  論文  参考訳（メタデータ） (2026-08-27T05:58:06Z)
• EgoRecovery: Acquiring Failure Recovery Ability Through Human Recovery Demonstration [75.13534797264485]
  我々は,ロボット遠隔操作に代わるスケーラブルな代替手段として,自己中心型ヒューマンデータキャプチャー障害回復プロセスが提供されることを示した。 タスクレベルの障害設定を効率的にアレンジし、短いリカバリセグメントを記録することで、人間のオペレータは1時間あたりの有効なリカバリデータの10倍以上のデータを生成できる。
  論文  参考訳（メタデータ） (2026-07-22T04:44:26Z)
• DenseReward: Dense Reward Learning via Failure Synthesis for Robotic Manipulation [67.08835970838996]
  強化学習は模倣学習の限界を超えてロボットポリシーを改善するための大きな約束である。 2つの重要な課題は、さまざまな障害データを大規模に取得し、スパース軌道レベルの成功ラベルを超えて、きめ細かい報酬信号を取得することである。 両課題に対処する高密度ロボット報酬モデルであるDenseRewardを紹介した。
  論文  参考訳（メタデータ） (2026-07-14T17:59:29Z)
• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• SpatialAnt: Autonomous Zero-Shot Robot Navigation via Active Scene Reconstruction and Visual Anticipation [45.461768743080604]
  SpaceAntは、不完全な自己再構成と堅牢な実行の間のギャップを埋めるために設計されたゼロショットナビゲーションフレームワークである。 本研究では,SpatialAntがシミュレーションおよび実世界の環境において既存のゼロショット法より著しく優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-27T08:01:40Z)
• Guardian: Detecting Robotic Planning and Execution Errors with Vision-Language Models [53.20969621498248]
  本稿では,多種多様な計画および実行障害を生成するために,軌道を手続き的に乱す自動ロボット故障合成手法を提案する。 RLBench-Fail, BridgeDataV2-Fail, UR5-Failの3つの新しい故障検出ベンチマークを構築した。 次に、詳細な障害推論と検出のためのマルチビューイメージを備えたVLMであるGuardianをトレーニングします。
  論文  参考訳（メタデータ） (2025-12-01T17:57:27Z)
• From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation [35.79160868966466]
  FSD(From Seeing to Doing)は空間関係推論により中間表現を生成する新しい視覚言語モデルである。 提案手法は,空間座標を視覚信号と整列する自己整合性機構と,階層的なデータパイプラインを併用する。 我々は、FSDがSimplerEnvで40.6%の成功率、実世界の8つのタスクで72%の成功率を達成したことを示し、最強のベースラインを30%上回った。
  論文  参考訳（メタデータ） (2025-05-13T13:20:46Z)

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。