論文の概要: From Vision to Harvest: Benchmarking Vision-Language Models for Multi-Arm Robotic Fruit Harvesting

• arxiv url: http://arxiv.org/abs/2609.13606v1
• Date: Fri, 11 Sep 2026 23:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.40647
• Title: From Vision to Harvest: Benchmarking Vision-Language Models for Multi-Arm Robotic Fruit Harvesting
• Title（参考訳）: ビジョンからハーベストへ:多関節ロボット果実ハーベスティングのためのビジョンランゲージモデルのベンチマーク
• Abstract要約: マルチアームのロボット収穫は、収穫効率を改善し、手作業への依存を減らすための有望な道を提供する。 既存の手法は、しばしばターゲット環境でかなりのデータ収集を必要とするか、計画品質を制限する仮定を単純化することに依存する。 我々は、ゼロショットマルチアーム果実収穫計画において、事前訓練されたビジョンランゲージモデル(VLM)を評価するための最初の包括的なベンチマークを紹介する。
• 参考スコア（独自算出の注目度）: 1.4864330733766584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-arm robotic harvesting offers a promising path to improve harvesting efficiency and reduce reliance on manual labor. However, practical deployment remains challenging because the system must generalize across diverse environments while efficiently coordinating multiple arms in a shared workspace. Existing methods often require substantial data collection in target environments or rely on simplifying assumptions that limit planning quality. In this work, we introduce the first comprehensive benchmark for evaluating pretrained Vision-Language Models (VLMs) on zero-shot multi-arm fruit harvesting planning. Our benchmark uses real-world apple and citrus orchard images and compares a VLM-based planning pipeline with a traditional perception-and-planning pipeline. The VLM pipeline directly generates harvesting sequences and waypoints for each arm, while a lightweight trajectory verifier checks for collisions. Our results show that frontier VLMs can generate effective multi-arm harvesting plans zero-shot, but a practical deployment remains limited by accurate 3D waypoint generation and collision-aware coordination. These results highlight both the promise and current limitations of pretrained VLMs for multi-arm robotic harvesting.
• Abstract（参考訳）: マルチアームのロボット収穫は、収穫効率を改善し、手作業への依存を減らすための有望な道を提供する。 しかし,共有ワークスペース内の複数のアームを効率的に調整しながら,多様な環境にまたがってシステムを一般化する必要があるため,実際の展開は依然として困難である。 既存の手法は、しばしばターゲット環境でかなりのデータ収集を必要とするか、計画品質を制限する仮定を単純化することに依存する。 本研究では、ゼロショットマルチアーム収穫計画において、事前訓練されたビジョンランゲージモデル(VLM)を評価するための最初の包括的なベンチマークを紹介する。 我々のベンチマークでは、現実世界のリンゴとキツネの果樹園のイメージを使用し、VLMベースのプランニングパイプラインと従来の知覚計画パイプラインを比較した。 VLMパイプラインは、各アームの収穫シーケンスとウェイポイントを直接生成し、軽量な軌道検証器は衝突をチェックする。 以上の結果から,フロンティアVLMは実効的なマルチアーム収穫計画をゼロショットで作成できるが,実際の展開は正確な3次元経路生成と衝突認識調整によって制限されている。 これらの結果は、マルチアームロボット収穫のための事前訓練されたVLMの約束と現在の限界の両方を強調している。

関連論文リスト

• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• MultiGraspNet: A Multitask 3D Vision Model for Multi-gripper Robotic Grasping [8.558823208942277]
  MultiGraspNetは、並列グリップと真空グリップの同時ポーズを統一フレームワーク内で予測する新しいマルチタスク3Dディープラーニング手法である。 我々は、単一アームのマルチグリッパーロボットで実世界の実験を行い、我々のアプローチが真空ベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-06T08:56:21Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• 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)
• Visual-Language-Guided Task Planning for Horticultural Robots [7.247976293510842]
  ロボットタスク計画の指針として視覚言語モデル(VLM)を用いた新しいモジュラーフレームワークを提案する。 本研究は,単作・多作環境における短期・長期の作物モニタリングタスクのベンチマークに貢献する。
  論文  参考訳（メタデータ） (2026-01-17T04:45:31Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• Wonderful Team: Zero-Shot Physical Task Planning with Visual LLMs [0.0]
  Wonderful Teamは、ゼロショットでハイレベルなロボット計画を実行するためのフレームワークだ。 実世界のセマンティックおよび物理的計画タスクにおけるWonderful Teamのパフォーマンスは、しばしば別々のビジョンシステムに依存するメソッドを超えることが示される。
  論文  参考訳（メタデータ） (2024-07-26T21:18:57Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• Bridging Language, Vision and Action: Multimodal VAEs in Robotic Manipulation Tasks [0.0]
  本研究では,ロボット操作分野における教師なし視覚-言語-アクションマッピングに着目した。 本研究では,シミュレータにおけるモデルの性能を最大55%向上させるモデル不変学習法を提案する。 我々の研究は、ロボット運動軌跡の教師なし学習に現在のマルチモーダルVAEを使用することの潜在的な利点と限界にも光を当てている。
  論文  参考訳（メタデータ） (2024-04-02T13:25:16Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

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。