論文の概要: RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks?

• arxiv url: http://arxiv.org/abs/2609.05324v1
• Date: Fri, 04 Sep 2026 16:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.114782
• Title: RoboSPA: Can VLA Models Go Beyond Simple Scenes and Short-Horizon Tasks?
• Title（参考訳）: RoboSPA: VLAモデルは、単純なシーンと短期タスクを超えても使えるか?
• Abstract要約: VLA(Vision-Language-Action)モデルは、言語条件のロボット操作において有望な進歩を示している。 textbfRobot textbfSpatial-textbfProcedural textbfAssessmentは,ロボット操作の大規模データセットであり,具体的推論を診断するためのベンチマークである。
• 参考スコア（独自算出の注目度）: 65.16829463527377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have shown promising progress in language-conditioned robotic manipulation. However, existing datasets and benchmarks mainly evaluate task completion under predefined settings, offering limited insight into model reasoning under increasing spatial and procedural complexity. We introduce \textbf{RoboSPA} (\textbf{Robo}t \textbf{S}patial-\textbf{P}rocedural \textbf{A}ssessment), a large-scale robotic manipulation dataset and benchmark for diagnosing embodied reasoning in VLA models. \texttt{RoboSPA} focuses on two core dimensions, Fine-Grained Spatial Reasoning and Long-Horizon Procedural Planning, covering 10 task categories and 56 base tasks. Each task is instantiated across five difficulty levels, yielding 280 variants with increasing spatial ambiguity and procedural complexity. We collect 527K trajectories across multiple embodiments and diverse scenes. Beyond binary success rate, \texttt{RoboSPA} introduces diagnostic metrics for more detailed evaluation. Experiments on representative VLA models show that current systems still struggle with complex spatial relations, precise low-level execution, and memory-intensive planning. These results establish \texttt{RoboSPA} as a challenging diagnostic benchmark for developing more capable, reliable, and generalizable embodied agents. Our data and code are available at https://github.com/fanzhenxuan/RoboSPA.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、言語条件のロボット操作において有望な進歩を示している。 しかし、既存のデータセットとベンチマークは、主に事前に定義された設定下でのタスク完了を評価し、空間的および手続き的複雑さの増加の下でモデル推論に関する限られた洞察を提供する。 本稿では, 大規模ロボット操作データセットである \textbf{RoboSPA} (\textbf{Robo}t \textbf{S}patial-\textbf{P}rocedural \textbf{A}ssessment) を導入し, VLAモデルにおけるエボデード推論の診断のためのベンチマークを行った。 \texttt{RoboSPA}は、10のタスクカテゴリと56のベースタスクをカバーする、ファイングラインド空間推論とロングホライゾン手続き計画という2つの中核次元に焦点を当てている。 各タスクは5つの難易度でインスタンス化され、空間的曖昧さと手続き的複雑さが増大する280の変種が生成される。 我々は、複数の実施形態と多様な場面にまたがって527K軌道を収集する。 バイナリ成功率以外にも、より詳細な評価のための診断指標が導入されている。 代表的なVLAモデルの実験では、現在のシステムは複雑な空間関係、正確な低レベル実行、メモリ集約的な計画に苦戦している。 これらの結果は、より有能で信頼性があり、一般化可能なエンボディエージェントを開発するための、困難な診断ベンチマークとして、‘texttt{RoboSPA} を確立している。 私たちのデータとコードはhttps://github.com/fanzhenxuan/RoboSPA.comで公開されています。

関連論文リスト

• ST-$π$: Structured SpatioTemporal VLA for Robotic Manipulation [24.44733656837927]
  ロボット操作のための構造化時間Vモデルを提案する。 本モデルは, 1) 時間的 VLM と 2) 時間的行動専門家の2つの重要な設計によって導かれる。 さらに,微調整のためのアノテーションを付加した実世界のロボットデータセットを提案する。
  論文  参考訳（メタデータ） (2026-04-20T06:48:47Z)
• AtomVLA: Scalable Post-Training for Robotic Manipulation via Predictive Latent World Models [9.608633915316252]
  VLA(Vision-Language-Action)モデルでは、一般化可能なロボット操作の可能性を示している。 現在のパラダイムは、教師付き微調整中の粗大でハイレベルなタスク命令に依存している。 スケーラブルなオフライン後トレーニングパイプラインと統合された,最初のサブタスク対応VLAフレームワークである方法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T15:52:48Z)
• RoboInter: A Holistic Intermediate Representation Suite Towards Robotic Manipulation [104.68774434699158]
  RoboInter Manipulation Suiteはデータ、ベンチマーク、中間表現のモデルを含む統一されたリソースである。 多様な表現の半自動アノテーションを可能にする軽量GUIであるRoboInter-Toolと、571の多様なシーンにわたる230万回以上のエピソードを含む大規模なデータセットであるRoboInter-Dataで構成されている。 RoboInter-VLAは、モジュールとエンドツーエンドのVLAバリアントをサポートする、統合されたプラン-then-executeフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-10T17:01:54Z)
• VLA-Arena: An Open-Source Framework for Benchmarking Vision-Language-Action Models [33.143187576673775]
  本稿では,3つの軸にまたがる難易度を定量化するための新しい構造化タスク設計フレームワークを提案する。 タスク構造では、VLA-Arenaの170のタスクは、安全性、ディトラクタ、外挿、ロングホライゾンの4つの次元に分けられる。 タスク定義から自動評価までのエンドツーエンドツールチェーンと、微調整のためのVLA-Arena-S/M/Lデータセットを提供する。
  論文  参考訳（メタデータ） (2025-12-27T09:40:54Z)
• Vision-Language-Action Models for Selective Robotic Disassembly: A Case Study on Critical Component Extraction from Desktops [5.567801088767209]
  RAMモジュールやCPUのような高価値のアイテムや、ハードディスクドライブのようなセンシティブなパーツは、シーケンシャルで正確で巧妙な操作を必要とします。 近年の視覚言語アクション(VLA)モデルの開発は、一般的なロボット操作タスクに対するエンドツーエンドのアプローチを提示している。 本稿では、ロボットRAMとCPUの分解のためのカスタマイズデータセットを収集し、それを2つの確立されたVLAアプローチの微調整に利用した。
  論文  参考訳（メタデータ） (2025-12-04T04:36:39Z)
• UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios [63.67884284105684]
  textbfUltraHorizonは、複雑な現実世界の課題に不可欠な基礎的能力を測定する新しいベンチマークである。 エージェントは、隠されたルールを反復的に発見しなければならない、長期にわたる発見タスクで設計されている。 実験の結果, LLM-agents はこれらの設定において常に不利な成績を示し, ヒトは高いスコアを得ることができた。
  論文  参考訳（メタデータ） (2025-09-26T02:04:00Z)
• DexVLG: Dexterous Vision-Language-Grasp Model at Scale [59.5613919093295]
  ヒトのような器用な手のための大型モデルを用いた機能的握りの研究はほとんどない。 DexVLGは、言語命令に整合したDexterousグリップポーズ予測のための大型ビジョン言語-Graspモデルである。 シミュレーションでは、174,000個のオブジェクトのセマンティックな部分にマッピングされた1億1千万個のデキスタスなグリップポーズを、詳細な部分レベルのキャプションと組み合わせて生成する。
  論文  参考訳（メタデータ） (2025-07-03T16:05:25Z)
• RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [59.9896841079005]
  長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。 データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。 以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
  論文  参考訳（メタデータ） (2025-06-07T06:15:49Z)
• RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics [67.11221574129937]
  空間参照は、3D物理世界と相互作用するエンボディロボットの基本的な能力である。 本稿では,まず空間的理解を正確に行うことのできる3次元VLMであるRoboReferを提案する。 RoboReferは、強化微調整による一般化された多段階空間推論を推進している。
  論文  参考訳（メタデータ） (2025-06-04T17:59:27Z)
• LoHoVLA: A Unified Vision-Language-Action Model for Long-Horizon Embodied Tasks [31.3295171851909]
  実世界のエンボディエージェントは、マルチステップソリューションを必要とするハイレベルな目標に直面します。 ロングホライゾンタスクは、ハイレベルなタスクプランニングと低レベルなモーションコントロールを必要とする。 我々は,LoHoVLAと呼ばれる長期タスクのための統合視覚言語フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-31T06:01:03Z)
• HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation [54.03004125910057]
  階層型視覚-言語-アクションモデルは、標準的なモノリシックVLAモデルよりも、ドメイン外のデータを利用するのに効果的であることを示す。 階層設計により、高レベルなVLMは、オフドメイン微調整データと実ロボットテストシナリオの間の重要なドメインギャップをまたいで転送可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-08T07:50:22Z)
• LoHoRavens: A Long-Horizon Language-Conditioned Benchmark for Robotic Tabletop Manipulation [38.66406497318709]
  この研究はテーブルトップ操作タスクに焦点を当て、色、サイズ、空間、算術、参照にまたがる様々なロングホライゾン推論側面をカバーするシミュレーションベンチマークである textitLoHoRavens をリリースする。 LLMに明示的および暗黙的な観察フィードバックを組み込むためのキャプション生成と学習可能なインタフェースの2つの方法を検討した。
  論文  参考訳（メタデータ） (2023-10-18T14:53:14Z)
• DoReMi: Grounding Language Model by Detecting and Recovering from Plan-Execution Misalignment [10.322491116030825]
  DoReMiは、計画と実行間のミスアライメントの検出とリカバリを可能にする。 パイプラインは、低レベルの実行を監視し、特定の計画実行ミスアライメントが発生した場合、タイムリなリカバリを可能にします。
  論文  参考訳（メタデータ） (2023-07-01T12:51:02Z)

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。