論文の概要: TEMPO: Learning Temporal Context for Dynamic Robot Manipulation

• arxiv url: http://arxiv.org/abs/2609.16864v1
• Date: Tue, 15 Sep 2026 08:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.424882
• Title: TEMPO: Learning Temporal Context for Dynamic Robot Manipulation
• Title（参考訳）: TEMPO:動的ロボット操作のための時間文脈学習
• Abstract要約: 本稿では、事前訓練されたVLAを2つの時間入力で拡張し、動きのあいまいさと状態のエイリアスを解消するTEMPOを提案する。 ボトルハンドオーバの成功を44%から74%に改善し、状態エイリアスを解決する唯一の方法である。 さらに、動作認識ロボットの知覚を評価するために、50k以上の注釈付きフレームのベンチマークであるTEMPO-Benchをリリースする。
• 参考スコア（独自算出の注目度）: 12.057683796484232
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language-action (VLA) models have achieved impressive performance in quasi-static manipulation, but struggle in dynamic manipulation tasks because they operate on a single observation at inference time. We identify two representational failures that underlie this limitation. The first is motion ambiguity, where a single observation does not include scene dynamics and therefore cannot anticipate the future state of moving objects. The second is state aliasing, where visually similar observations from different points in a task require different actions. We argue that these failures persist regardless of model scale and inference latency, showing that the bottleneck is missing temporal context rather than model capacity. Based on this insight, we propose TEMPO, which augments a pretrained VLA with two temporal inputs: a motion summary extracted from a frozen video foundation model to resolve motion ambiguity and a compact proprioceptive history to resolve state aliasing. TEMPO requires no modification to the backbone and adds minimal compute overhead at training or deployment. Across four dynamic manipulation tasks, it improves Bottle Handover success from 44% to 74% and is the only method that solves state aliasing. Probing and ablation studies confirm that each temporal signal independently addresses its corresponding failure. We further release TEMPO-Bench, a benchmark of over 50k annotated frames for evaluating motion-aware robot perception in both regression and multiple-choice formats. Project Website: https://tempo-robot.github.io/
• Abstract（参考訳）: 視覚言語反応(VLA)モデルは準静的な操作において顕著な性能を達成したが、推論時に単一の観測を行うため、動的操作タスクに苦慮している。 この制限を過小評価する2つの表現的失敗を特定します。 ひとつは動きのあいまいさであり、単一の観測ではシーンのダイナミクスは含まないため、動く物体の将来の状態を予測できない。 2つ目は状態エイリアス(state aliasing)であり、タスク内の異なるポイントからの視覚的に類似した観察は異なるアクションを必要とする。 これらの障害はモデルスケールや推論のレイテンシに関わらず持続し、ボトルネックはモデルキャパシティよりも時間的コンテキストが欠如していることを示します。 この知見に基づいて,凍結映像基盤モデルから抽出した動作要約と,状態エイリアスを解消するためのコンパクトな固有受容履歴の2つの時間入力で事前学習したVLAを増強するTEMPOを提案する。 TEMPOはバックボーンの変更を必要とせず、トレーニングやデプロイメントにおいて最小限の計算オーバーヘッドを追加する。 4つの動的操作タスク全体で、Bottle Handoverの成功率を44%から74%に改善し、状態エイリアスを解決する唯一の方法である。 プローブとアブレーションの研究は、各時間信号がそれに対応する障害に独立して対処していることを確認する。 さらに,50k以上のアノテートフレームのベンチマークであるTEMPO-Benchを,回帰型および複数選択型の両方で動作認識ロボットの知覚を評価するためにリリースする。 Project Webサイト: https://tempo-robot.github.io/

関連論文リスト

• MotionVLA: Injecting Geometric Motion into Vision-Language-Action Model [41.634737117765745]
  動作履歴インタフェースであるMotionVLAを導入し,過去のみのビデオウィンドウをコンパクトかつ時間的連続なトラジェクトリフィールドトークンに変換する。 我々は,MotionVLAがよりスムーズで直接的な実行を実現しながら,長時間の操作を改善することを示す。
  論文  参考訳（メタデータ） (2026-06-06T18:20:02Z)
• Improving Viewpoint-Invariance and Temporal Consistency for Action Detection [2.0019258650495493]
  本稿では,新しい2段階動作検出手法を提案する。 第1段階では、拡張仮想視点から運動特徴を抽出する。 第2ステージではビュー不変のマルチスケール時間エンコーダが導入されている。
  論文  参考訳（メタデータ） (2026-05-21T16:38:21Z)
• 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)
• OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
  VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。 本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。 提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
  論文  参考訳（メタデータ） (2026-04-20T06:38:01Z)
• Robotic VLA Benefits from Joint Learning with Motion Image Diffusion [114.60268819583017]
  VLA(Vision-Language-Action)モデルは、マルチモーダルな観察と指示を直接行動にマッピングすることで、ロボット操作において顕著な進歩を遂げた。 動き推論機能を備えたVLAモデルを強化する新しい戦略である動き画像拡散を用いた共同学習を提案する。 シミュレーションと実世界の両方の環境での実験により、モーション画像拡散による共同学習がpiシリーズVLAの成功率を97.5%に向上させることが示された。
  論文  参考訳（メタデータ） (2025-12-19T19:07:53Z)
• Splannequin: Freezing Monocular Mannequin-Challenge Footage with Dual-Detection Splatting [28.641196407703315]
  モノクロのMannequin-Challenge(MC)ビデオから高忠実度凍結した3Dシーンを作成します。 私たちのゴールは、動きをモデリングするのではなく、微妙なダイナミクスを保ちながら凍ったシーンを作ることです。 提案手法は,単純な損失項によって既存の動的ガウスパイプラインに統合され,アーキテクチャ上の変更を必要とせず,推論オーバーヘッドがゼロになる。
  論文  参考訳（メタデータ） (2025-12-04T18:59:53Z)
• SAM2Grasp: Resolve Multi-modal Grasping via Prompt-conditioned Temporal Action Prediction [7.708279811172532]
  ロボットの把握のための模倣学習は、しばしばマルチモーダル問題に悩まされる。 標準的な模倣学習ポリシーは、これらの異なるアクションを単一の無効なアクションに平均化することで失敗する。 SAM2Graspは,タスクを一様かつ迅速な予測問題として再構成する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-12-02T10:15:00Z)
• TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
  TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。 ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。 GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
  論文  参考訳（メタデータ） (2024-10-14T17:59:58Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Motion2VecSets: 4D Latent Vector Set Diffusion for Non-rigid Shape Reconstruction and Tracking [52.393359791978035]
  Motion2VecSetsは点雲列からの動的表面再構成のための4次元拡散モデルである。 グローバルな潜在符号の代わりに、潜在集合で4Dダイナミクスをパラメータ化する。 時間的コヒーレントな物体追跡のために、変形潜在集合を同期的に認知し、複数のフレーム間で情報を交換する。
  論文  参考訳（メタデータ） (2024-01-12T15:05:08Z)
• Exploring Motion and Appearance Information for Temporal Sentence Grounding [52.01687915910648]
  本研究では、時間的文のグラウンド化を解決するために、MARN(Motion-Appearance Reasoning Network)を提案する。 動作誘導と外見誘導のオブジェクト関係を学習するために,動作分岐と外見分岐を別々に開発する。 提案するMARNは,従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-01-03T02:44:18Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)

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。