論文の概要: CASD: Chunk-Aligned Semantic Distillation for Multi-StageRobot Manipulation
- arxiv url: http://arxiv.org/abs/2609.08638v1
- Date: Tue, 08 Sep 2026 12:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.644379
- Title: CASD: Chunk-Aligned Semantic Distillation for Multi-StageRobot Manipulation
- Title（参考訳）: CASD:マルチステージロボットマニピュレーションのためのチャンクアラインセマンティック蒸留
- Abstract要約: アクションチャンクは操作タスクのいくつかのステージにまたがるが、最初のステップのラベルは現在のステージのみを記述する。
動作チャンク全体のセマンティックターゲットを導出するChunk-Aligned Semantic Distillation (CASD)を導入する。
CASDジェネレータは、現在の観察、ロボット状態、タスク命令からこのターゲットを予測することを学習する。
- 参考スコア（独自算出の注目度）: 10.053761328051342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An action chunk can span several stages of a manipulation task, yet a label for its first step describes only the current stage. We introduce Chunk-Aligned Semantic Distillation (CASD), which derives semantic targets for entire action chunks. An offline vision--language model segments demonstrations into described stages. Their occupancy within each action chunk determines a weighted semantic target, including transitions between stages. A CASD generator learns to predict this target from the current observation, robot state, and task instruction. We then freeze the generator and train a policy conditioned on its predictions. The semantic branch runs once per policy query, without online VLM calls or reasoning-trace decoding. Teacher matching on annotated LIBERO training episodes is above chance for both single-stage and boundary-crossing chunks. We evaluate three Fast-WAM variants and a DreamZero integration across four benchmarks, including distribution shifts on LIBERO-Plus. Compared with published references, IDM+CASD reaches 98.9\% versus 98.0\% average success on LIBERO, while Uncond falls below its reference. Joint+CASD reaches 93.0\% versus 90.6\% on RoboTwin 2.0, and DreamZero+CASD reaches a 47.9\% four-category MolmoSpaces manipulation average versus 40.7\%. Performance varies across backbone integrations.
- Abstract（参考訳）: アクションチャンクは操作タスクのいくつかのステージにまたがるが、最初のステップのラベルは現在のステージのみを記述する。
動作チャンク全体のセマンティックターゲットを導出するChunk-Aligned Semantic Distillation (CASD)を導入する。
オフラインビジョン-言語モデルでは、デモを記述されたステージにセグメントする。
各アクションチャンク内のそれらの占有は、ステージ間の遷移を含む重み付けされたセマンティックターゲットを決定する。
CASDジェネレータは、現在の観察、ロボット状態、タスク命令からこのターゲットを予測することを学習する。
次に、ジェネレータを凍結し、予測したポリシーをトレーニングします。
セマンティックブランチはポリシクエリ毎に1回、オンラインのVLMコールや推論トレースのデコードなしで実行される。
注釈付きLIBEROトレーニングエピソードにマッチする教師は、シングルステージとバウンダリクロスの両方のチャンクにチャンスがある。
LIBERO-Plusの分散シフトを含む,3種類のFast-WAMとDreamZeroを4つのベンチマークで比較した。
IDM+CASD は LIBERO の平均成功率 98.0 % に対して、Uncond は 98.9 % 以下である。
Joint+CASDはRoboTwin 2.0で93.0\%、DreamZero+CASDは47.9\%、MomoSpacesは40.7\%である。
パフォーマンスはバックボーンの統合によって異なります。
関連論文リスト
- A Schema Bounded Language Model for Refining Robot Policies Without Destabilizing Local Learning [0.0]
3つのロボットはモーションダイナミクスを共有するが、異なるLLMバックエンドを使用する。
各ロボットは、大言語モデル(LLM)ポリシーエージェント、アッパー信頼境界(UCB)バンディット、ダブルディープQネットワーク(Double DQN)コントローラを独立に結合する。
ロボットは、ポリシー、結果、学習フィードバックを含む共有ラウンドサマリを通じて、クロスLLM通信を行う。
論文 参考訳（メタデータ） (2026-09-04T13:35:55Z) - Act More, Decide Less: Skill-Guided Adaptive Action Chunking for Long-Horizon LLM Agents [50.85250898062218]
大規模言語モデル(LLM)エージェントは、通常、ReActスタイルのプロトコルに従う。
自然な方法は、エージェントが可変長のアクションチャンクを出力することです。
しかし、こうした政策を標準的な強化学習で素直に訓練することは失敗する。
論文 参考訳（メタデータ） (2026-09-02T03:17:11Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - G0.5: One Autoregressive Stream for Robot Reasoning and Action [43.43377463558725]
本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。
推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的な振る舞いへと引き継がれる。
G0.5は7つの独立した体制で最先端のモデルを上回っている。
論文 参考訳（メタデータ） (2026-08-12T07:26:47Z) - INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models [10.370234132981677]
INTACT(Intent-To-ACTion)は、アクションラベル付き、報酬なしの軌道をインテント・トゥ・アクションインターフェースに変換するエンドツーエンドのJEPAである。
各トランジションは物理的インテント$z_t+1-z_t$を提供し、将来のゴールはデプロイメントインテント$operatornamesg(z_g)-z_t$を提供する。
公式の4つのLeWMタスクでは、ゼロサーチモデルは85.78%、100.00%、97.67%、97.89に達した。
論文 参考訳（メタデータ） (2026-07-28T17:59:40Z) - Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。
マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。
LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-10T23:56:01Z) - ClawsBench: Evaluating Capability and Safety of LLM Productivity Agents in Simulated Workspaces [17.202580606345666]
生産性タスクを自動化するために、大規模言語モデル(LLM)エージェントがますますデプロイされる。
既存のベンチマークは単純化された環境に依存しており、現実的なマルチサービス環境をキャプチャできない。
我々は,現実的な生産性設定におけるLCMエージェントの評価と改善のためのベンチマークであるClawsBenchを紹介する。
論文 参考訳（メタデータ） (2026-04-06T21:09:06Z) - Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models [2.5338045371474816]
VLA(Vision-Language-Action)モデルは、単一のアーキテクチャにおける知覚、言語、運動制御を組み合わせたモデルである。
394,000回以上のロールアウトエピソードにまたがる80M--7Bパラメータに,アクティベーションインジェクション,スパースオートエンコーダ,線形プローブを適用した。
論文 参考訳（メタデータ） (2026-03-19T17:59:55Z) - vla-eval: A Unified Evaluation Harness for Vision-Language-Action Models [58.633451339058986]
VLAモデルは一般的に、各モデルリポジトリによって独立して維持されるベンチマークスクリプト毎に評価される。
本稿では、ベンチマーク実行からモデル推論を分離するオープンソースの評価ハーネスであるvla evalを紹介する。
完全な評価では、vla eval serveとvla eval runの2つのコマンドしか必要としない。
論文 参考訳（メタデータ） (2026-03-14T14:38:53Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。
成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。
モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
論文 参考訳（メタデータ） (2025-11-26T01:28:22Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z)
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。