論文の概要: TraceFlow: Guiding Frozen Flow-Matching Robot Policies with Success and Failure Traces
- arxiv url: http://arxiv.org/abs/2609.20646v1
- Date: Thu, 17 Sep 2026 16:26:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.371985
- Title: TraceFlow: Guiding Frozen Flow-Matching Robot Policies with Success and Failure Traces
- Title（参考訳）: TraceFlow: 成功と失敗のトレースで凍ったフローマッチングロボットポリシーをガイドする
- Abstract要約: TraceFlowは、検索に成功したロールアウトを、凍結したフローマッチングアクションエキスパートのバウンダリ修正に変換する。
TraceBankは、トレース、時刻順のステートアクションレコードを端末ラベルで保存し、ターゲットタスクのトレーニングトレースから開始し、後にデプロイされたロボット自身のロールアウトを認める。
- 参考スコア（独自算出の注目度）: 10.947574429547146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A vision-language-action (VLA) policy with a flow-matching action expert generates each action chunk (a short command sequence) by integrating a learned velocity field; once its weights are fixed, the success or failure of an earlier rollout cannot change the chunk generated now. Concurrent test-time methods give a frozen policy such an input from retrieved successes, a learned critic, a verifier, or a dynamics model, but none uses the robot's own failed rollouts as negative evidence with nothing but a terminal outcome bit. We introduce TraceFlow, a progress-aligned guidance field that turns the action densities of retrieved successful and failed rollouts into a bounded correction to a frozen flow-matching action expert, using one terminal outcome bit per rollout and no other label. Its TraceBank stores traces, time-ordered state-action records with a terminal label, starts from the target-task training traces, and later admits the deployed robot's own rollouts. On an ordered real-robot packing task the base completes 21 of 50 trials in order, TraceFlow 39, and one stacking round without any weight update 47, with wrong-sequence episodes falling from 20 to 0. In simulation the gain is selective: with per-suite selected settings, TraceFlow raises RoboMemArena Sequence from 78.92\% to 91.50\% task success and Transferring from 54.41\% to 62.00\% at stacking round 2, leaves the 26-task aggregate unchanged, lowers Counting and Occlusion by 1.12 and 1.42 points, and changes LIBERO-Plus (Long) by +1.27 points (p = 0.0733). Stacking gains are finite, every branch peaking before round ten, and the bank's success-to-failure ratio predicts no retrieval allocation.
- Abstract（参考訳）: フローマッチングアクションエキスパートによる視覚言語アクション(VLA)ポリシーは、学習された速度場を統合することにより、各アクションチャンク(ショートコマンドシーケンス)を生成する。
同時テストタイム法は、検索された成功、学習された批評家、検証者、ダイナミックスモデルからの入力のような凍結したポリシーを与えるが、ロボット自身のロールアウトを、終端結果ビット以外は否定的な証拠として使用しない。
我々は,検索したロールアウトの動作密度を凍結したフローマッチングアクションエキスパートに限定した修正に変換する,進捗対応のガイダンスフィールドであるTraceFlowを紹介した。
TraceBankは、トレース、時刻順のステートアクションレコードを端末ラベルで保存し、ターゲットタスクのトレーニングトレースから開始し、後にデプロイされたロボット自身のロールアウトを認める。
整列された実ロボットパッキングタスクでは、ベースは50回中21回、TraceFlow 39、および1回の積み重ねラウンドを、重量更新47を伴わずに完了している。
シミュレーションでは、スーツごとに選択された設定で、TraceFlowはRoboMemArena Sequenceを78.92\%から91.50\%に引き上げ、積み上げラウンド2で54.41\%から62.00\%に転送し、26タスクの集計をそのまま残し、カウントとオクルージョンを1.12ポイントと1.42ポイント減らし、LIBERO-Plus(Long)を+1.27ポイント(p = 0.0733)に変更した。
積み重ね利得は有限であり、各支店は10ラウンド前にピークに達し、銀行の成功と失敗の比率は、検索の割り当てを予測しない。
関連論文リスト
- VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。
SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。
モデル自身の失敗から両方を得るReDraftを紹介します。
論文 参考訳（メタデータ） (2026-09-15T04:59:03Z) - Guardrailed Meta-Agent Loops: Stress-Testing Policy Pinning, Budget Bounds, and Crash Recovery [7.414694666903067]
GuardrailLoopはシミュレーションベースのテストベッドで、3つの運用契約を共同でテスト可能にする。
ハッシュピン付ポリシーは、目標、スコープ、評価アイデンティティ、予算、リリース条件を修正します。
有用な適応、状態回復、反復実行を分離する。
論文 参考訳（メタデータ） (2026-09-10T21:22:08Z) - APIFlow-Bench: Measuring Whether Agents Survive Long, Dependent API Workflows [23.621239974604205]
APIFlow-Benchは、長期依存のREST-APIパフォーマンスのための、完全に監査可能なベンチマークである。
サブタスクによってサブタスクとして,合成APIの世界を前方に生成する。
すべての応答キーと44,362個の未修正実行書き起こしをリリースします。
論文 参考訳（メタデータ） (2026-08-29T08:12:11Z) - WorldToken: Time-First Sequence Modeling for Robotic Imitation Learning [26.68132700015599]
マルチビュー画像やプロプレセプション,タスクコンディショニングを,各ポリシータイムステップ内で1つのワールドトークンに融合する,時間優先のポリシーインスタンス化であるWorldTokenを紹介する。
23のRoboCasaタスクでは、85.3Mパラメータポリシーがスクラッチから訓練され、1タスクあたり2,900回のデモで59.45%の平均閉ループ成功を達成した。
論文 参考訳（メタデータ） (2026-08-23T20:56:29Z) - Business Truth, not SQL Accuracy: A Rule-Gated 7B Analytics Agent Outperforms a Direct-Prompted 32B Baseline [0.0]
本稿では,2つの合成倉庫における400の凍結作業であるWarehouseBenchについて紹介する。
7BエージェントであるQueryProofは、セマンティックレイヤと物理カタログから派生したルールを使用して、その振る舞いを決定する。
論文 参考訳（メタデータ） (2026-08-10T08:14:24Z) - Fail-Fast, Restart-Smart: Early Failure Prediction and Restart for SWE Agentic Tasks [11.325524635118846]
FailFast-RestartSmartは、単一のアクティブな軌道に対する2段階のコントローラである。
ポリシーロジットや隠された状態なしで、観測可能なプレフィックスから失敗を予測する。
警報を受けたRestartSmartは、事前のプロンプト履歴なしで、新しい同一のポリシーのロールアウトを起動する。
論文 参考訳（メタデータ） (2026-08-04T06:55:46Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳（メタデータ） (2026-05-29T13:40:31Z) - ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。
DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
論文 参考訳（メタデータ） (2026-05-28T12:40:22Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳（メタデータ） (2026-05-21T04:54:55Z) - 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)
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。