論文の概要: GROOVE: Geometry-Guided Reduction of Operational-Space Jerk in VLA Execution
- arxiv url: http://arxiv.org/abs/2609.13695v1
- Date: Sat, 12 Sep 2026 04:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.476769
- Title: GROOVE: Geometry-Guided Reduction of Operational-Space Jerk in VLA Execution
- Title（参考訳）: GROOVE:VLA実行における操作空間ジャークの幾何学的ガイドによる削減
- Abstract要約: 生の3次元エンドエフェクタパス周辺の方向補正領域を探索するオンラインレギュレータGROOVEを提案する。
出力されたコマンドを境界条件として新しいチャンクを最適化し、累積変換と局所軸角偏差をバウンドしながら境界とチャンクバーク内を縮小する。
LIBEROベンチマークでは、GROOVEは評価方法の中で最大の削減を実現し、それぞれ33.02%と43.42%の変換EEFジャークを削減した。
- 参考スコア（独自算出の注目度）: 15.35245924833044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chunked vision language action (VLA) policies execute several commands per query, but jerk within chunks and across replanning boundaries can induce oscillatory motion and sharp actuator transients. We present GROOVE, an online regulator that searches directional correction regions around the raw three dimensional end effector (EEF) path, without retraining or additional VLA inference. It optimizes the new chunk using delivered commands as boundary conditions, reducing boundary and within chunk jerk while bounding cumulative translation and local axis angle deviation from the raw plan after every command. Using quadratic programs (QPs), GROOVE generates a cube reference and thirteen directional candidates, then selects the one with the lowest command space jerk under a reference relative deviation cap. On a held out LIBERO benchmark, GROOVE achieves the largest reductions among the evaluated methods, reducing translational and rotational EEF jerk by 33.02% and 43.42%, respectively, with task success of 95.75% versus 93.75% for raw execution. Across 50 matched UR5e pairs with measured execution timing, it reduces translational and rotational tool center point (TCP) jerk by 16.39% and 19.49% and joint current slew by 29.09%.
- Abstract（参考訳）: チャンクされた視覚言語アクション(VLA)ポリシーはクエリ毎に複数のコマンドを実行するが、チャンク内や計画された境界を越えて、振動運動や鋭いアクチュエータのトランジェントを誘導することができる。
本稿では,生の3次元エンドエフェクタ(EEF)パスの周囲の方向補正領域を,トレーニングや付加的なVLA推論なしで検索するオンラインレギュレータGROOVEを提案する。
送信されたコマンドをバウンダリ条件として使用して新しいチャンクを最適化し、各コマンドの後に累積変換と局所軸角を原計画から逸脱させながら、バウンダリとチャンクジャーク内を縮小する。
2次プログラム(QP)を用いて、GROOVEは立方体参照と13の方向候補を生成し、基準相対偏差キャップの下で最下位のコマンドスペースジャークを持つプログラムを選択する。
LIBEROベンチマークでは、GROOVEは評価された方法の中で最大の削減を実現し、それぞれ33.02%と43.42%の翻訳EEFジャークを減らし、実際の実行で95.75%、93.75%のタスクを成功させた。
50組のUR5eペアと測定された実行タイミングが一致し、翻訳ツールと回転ツールの中心点(TCP)が16.39%、19.49%、ジョイント電流が29.09%削減された。
関連論文リスト
- Exact Finite Attention Responses From RoPE Derivatives [0.0]
我々は、注意介入のための正確なローカル応答を導き、キャッシュされたベースラインと1つの後方パスから候補編集を採点できる。
その結果、92,160回の位置編集で95.36-96.52%の符号精度が得られた。
論文 参考訳（メタデータ） (2026-09-12T20:15:37Z) - RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - 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) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Smoother Action Chunking Flow Policy via Prior-Corrected Orthogonal Trust-Region Guidance [2.816680325180659]
フローマッチングロボットポリシーは、効率的なクローズドループ制御にアクションチャンキング推論を用いるのが一般的である。
本稿では,POTR, a **p*rior-corrected **o*rthogonal **t*rust-*r**egion guidance法を提案する。
論文 参考訳（メタデータ） (2026-05-23T06:59:13Z) - ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models [47.9430487327673]
ARC-STARは修正を3段階にまとめる: グローバルな修正器は広い解法バイアスを除去し、ブロックワイドな局所精錬器はポストグロバル残差を浄化し、展開時にはラベルフリースコアは計算予算の下でハイリスクなブロックに精算する。
ARC-STARは、全ての細胞で生ポセイドンよりも少なくとも36倍の速度ロールアウト誤差を減少させる唯一の方法である。
論文 参考訳（メタデータ） (2026-05-21T09:26:16Z) - IKKA: Inversion Classification via Critical Anomalies for Robust Visual Servoing [0.0]
IKKA(Inversion Classification via critical Anomalies)は,分布シフト下でのロバストな視覚サーボのためのトポロジ的動機付けフレームワークである。
Raspberry Pi 4上のCPU専用の組み込みビジュアルサーボパイプラインでIKKAをインスタンス化し、230回の再現可能な実行を名目およびストレス条件下で評価する。
論文 参考訳（メタデータ） (2026-04-09T20:37:27Z) - Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。
我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。
THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
論文 参考訳（メタデータ） (2025-11-06T00:41:54Z) - Rotation Based Slice Error Correction Protocol for Continuous-variable
Quantum Key Distribution and its Implementation with Polar Codes [3.2505671255960324]
Reconciliation is a essential procedure for continuous-variable quantum key distribution (CV-QKD)
本稿では,RSEC(Rotation-based SEC)と呼ばれる改良されたSECプロトコルを提案する。
有限サイズの効果では、秘密鍵レート7.83times10-3$ps/パルスを33.93kmの距離で達成する。
論文 参考訳（メタデータ） (2021-06-11T07:25:52Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z)
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。