論文の概要: Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation
- arxiv url: http://arxiv.org/abs/2609.05369v1
- Date: Fri, 04 Sep 2026 17:14:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.137346
- Title: Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation
- Title（参考訳）: 長距離視力制御のためのニューロシンボリックプロシージャ推論に向けて
- Abstract要約: 視覚言語アクション(VLA)モデルは短い操作スキルを実行することができるが、長い水平手順では不安定である。
本稿では,学習したVLA制御と明示的なタスクグラフ,マルチモーダル・プロシージャ記憶を組み合わせたニューロシンボリック・フレームワークについて検討する。
- 参考スコア（独自算出の注目度）: 12.461719086222788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) models can execute short manipulation skills, but remain brittle in long-horizon procedures requiring persistent task state, dependency-aware reasoning, conditional decisions, and reliable grounding. We investigate a neuro-symbolic framework that combines learned VLA control with explicit task graphs and multimodal procedural memory. Task graphs encode action dependencies, valid transitions, and branch conditions, while memory maintains the active step, completed actions, textual context, and task-relevant visual evidence. Together, these structures guide object selection, destination grounding, subgoal dispatch, and verification of expected state transitions. Human demonstrations provide additional spatial and temporal guidance through gaze or saliency cues. To isolate their effect on policy learning, our initial study bypasses cross-view gaze transfer and directly annotates pseudo-gaze in robot-view teleoperation videos. The resulting guidance is used during VLA fine-tuning and inference. We study two long-horizon manipulation domains, workspace clearing and surgical-instrument handling, which require ordered execution, visually grounded decisions, and conditional branching. We evaluate correct-object and destination selection, subtask completion, task progress, step-order consistency, complete-task success, and procedural or execution mistakes. This work positions structured symbolic reasoning and demonstration-derived visual guidance as complementary mechanisms for reliable long-horizon VLA manipulation.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、短い操作スキルを実行することができるが、永続的なタスク状態、依存性を考慮した推論、条件付き決定、信頼性の高い接地を必要とする長い水平手順では不安定である。
本稿では,学習したVLA制御と明示的なタスクグラフ,マルチモーダル・プロシージャ記憶を組み合わせたニューロシンボリック・フレームワークについて検討する。
タスクグラフはアクション依存、有効な遷移、分岐条件をエンコードするが、メモリはアクティブステップ、完了アクション、テキストコンテキスト、タスク関連視覚的エビデンスを維持している。
これらの構造は、オブジェクトの選択、目的地の接地、サブゴールディスパッチ、および期待される状態遷移の検証をガイドする。
人間のデモンストレーションは、視線や衛生の手がかりを通じて、追加の空間的および時間的ガイダンスを提供する。
政策学習におけるそれらの効果を分離するため,ロボット視点遠隔操作ビデオにおいて,横断視線移動を回避し,擬似視線を直接注釈する。
結果として得られるガイダンスは、VLAの微調整と推論に使用される。
本研究では,2つの長期的操作領域,ワークスペースのクリア化と外科的インストラクトハンドリングについて検討する。
我々は,正しい対象と目的地の選択,サブタスク完了,タスク進捗,段階的整合性,完全タスク成功,手続き的あるいは実行上の誤りを評価した。
この研究は、信頼性のある長距離VLA操作の補完メカニズムとして、構造化された象徴的推論と実演に基づく視覚誘導を位置づけた。
関連論文リスト
- HINT: Human-Intent Inception for Long-Horizon Robot Manipulation [11.55318573740128]
HINT(Human-INTent INcepTion)は,人間の操作原理に触発されたエージェントフレームワークである。
HINTは2つの基本方針にまたがって、意図の理解、タスクの進捗、エンドツーエンドの成功を大幅に改善することを示す。
論文 参考訳（メタデータ） (2026-09-02T14:26:30Z) - WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory [50.19449886428936]
We introduced WorldScape Policy 2.0, a controllable WAM with reasoning-augmented long long-term memory。
検索された履歴は、認識と自己回帰的に生成された計画トークンを増大させ、自律的な計画のための暗黙のサブゴール条件をもたらす。
シミュレーションと実世界のプラットフォームにおける実験は、長期の自律計画、きめ細かい指示、文脈内適応において優れた能力を示す。
論文 参考訳（メタデータ） (2026-07-21T08:25:37Z) - PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations [66.94988600664574]
我々は,目標達成型強化学習を通じて事前学習を再構築するVLA基盤モデルであるtextbfPRTS(textbfPrimitive textbfReasoning and textbfTasking textbfSystem)を提案する。
論文 参考訳（メタデータ） (2026-04-30T06:14:02Z) - CodeGraphVLP: Code-as-Planner Meets Semantic-Graph State for Non-Markovian Vision-Language-Action Models [13.691036198349465]
VLA(Vision-Language-Action)モデルは一般的なロボット操作を約束するが、通常は短期水平政策として訓練され展開される。
信頼性の高い長距離操作を可能にする階層型フレームワークであるCodeGraphを提案する。
論文 参考訳（メタデータ） (2026-04-24T05:27:27Z) - Event-Driven Proactive Assistive Manipulation with Grounded Vision-Language Planning [14.022917047438375]
リクエスト駆動型アシストからイベント駆動型プロアクティブアシストへの移行を紹介します。
イベントモニタとのインタラクション進捗を追跡するイベント駆動フレームワークを提案する。
我々は,実際のテーブルトップ数ブロック協調作業において,そのフレームワークを評価する。
論文 参考訳（メタデータ） (2026-03-25T05:14:04Z) - Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。
本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。
タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
論文 参考訳（メタデータ） (2026-03-02T05:26:29Z) - CARE: Multi-Task Pretraining for Latent Continuous Action Representation in Robot Control [39.17038025776311]
CAREは、ロボットタスク実行のためのVLAモデルをトレーニングするために設計されたフレームワークである。
CAREはビデオテキストペアのみを活用することで、明示的なアクションラベルの必要性を排除している。
結果は, ロボット制御におけるCAREのスケーラビリティ, 解釈可能性, 有効性を示す。
論文 参考訳（メタデータ） (2026-01-30T02:28:32Z) - Action-Sketcher: From Reasoning to Action via Visual Sketches for Long-Horizon Robotic Manipulation [37.76888706583038]
長距離ロボット操作は、現実世界の展開においてますます重要になっている。
既存のエンドツーエンドおよび階層的なビジョン・ランゲージ・アクションポリシーは、しばしばテキストのみの手がかりに依存している。
ロボットの現在のビューに、ポイント、ボックス、矢印、型付き関係を描画する、不可解な視覚中間体であるVisual Sketchを導入する。
本稿では,サイクリックSee-Think-Sketch-Actワークフローで動作するVLAフレームワークであるAction-Sketcherを紹介する。
論文 参考訳（メタデータ） (2026-01-04T17:53:42Z) - Learning Affordances at Inference-Time for Vision-Language-Action Models [50.93181349331096]
ロボット工学において、VLA(Vision-Language-Action Model)は複雑な制御タスクを解くための有望な道を提供する。
本稿では,VLAの低レベルポリシーを過去の経験を条件とした高レベルVLMに接続するLITEN(Learning from Inference-Time Execution)を紹介する。
提案手法は,低レベルVLAの計画の生成と実行を行う推論フェーズと,その結果を反映した評価フェーズとを反復する。
論文 参考訳（メタデータ） (2025-10-22T16:43:29Z) - Exploring Conditions for Diffusion models in Robotic Control [70.27711404291573]
我々は,ロボット制御のためのタスク適応型視覚表現を得るために,事前学習したテキスト・画像拡散モデルを活用することを検討する。
テキスト条件をナビゲート的に適用すると、制御タスクにおいて最小あるいは負の利得が得られることがわかった。
本稿では,制御環境に適応する学習可能なタスクプロンプトと,細粒度でフレーム固有の細部をキャプチャする視覚プロンプトを提案する。
論文 参考訳（メタデータ） (2025-10-17T10:24:14Z) - SAGE: Scene Graph-Aware Guidance and Execution for Long-Horizon Manipulation Tasks [3.688836621357062]
ロングホライゾン操作タスクは、拡張されたアクションシーケンスと複雑なオブジェクトの相互作用を含む。
長軸操作タスクにおけるSAGE(Scene Graph-Aware Guidance and Execution)の新たなフレームワークを提案する。
SAGE は,(1) VLM と LLM を用いて環境解析を行うシーングラフベースのタスクプランナと,(2) 対象のサブゴールグラフを対応する画像に変換する分離構造画像編集パイプラインから構成される。
論文 参考訳（メタデータ） (2025-09-26T06:14:55Z) - Modeling Long-horizon Tasks as Sequential Interaction Landscapes [75.5824586200507]
本稿では,一連のデモビデオからのみ,サブタスク間の依存関係と遷移を学習するディープラーニングネットワークを提案する。
これらのシンボルは、画像観察から直接学習し、予測できることが示される。
我々は,(1)人間によって実行されるパズル片のブロック積み重ね,(2)物体のピック・アンド・プレイスとキャビネットドアを7-DoFロボットアームで滑らせるロボット操作という,2つの長期水平作業において,我々の枠組みを評価する。
論文 参考訳（メタデータ） (2020-06-08T18:07:18Z)
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。