論文の概要: REBOOT: From Failure to Recovery - A Dataset and Benchmark for Precision Assembly
- arxiv url: http://arxiv.org/abs/2609.22591v1
- Date: Fri, 18 Sep 2026 21:14:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:43:37.590484
- Title: REBOOT: From Failure to Recovery - A Dataset and Benchmark for Precision Assembly
- Title（参考訳）: REBOOT: 障害から回復まで - 精密アセンブリのためのデータセットとベンチマーク
- Abstract要約: 第一級信号として障害を中心に設計された最初のロボット操作ベンチマークであるREBOOTを紹介する。
REBOOTには18の精密組立タスクで2,160のデモがあり、それぞれ5つの共有フェーズに分かれている。
障害はフェーズにまたがって導入され、システムの有効な継続状態を返す専門家のリカバリトラジェクトリと組み合わせられる。
- 参考スコア（独自算出の注目度）: 6.487522534536837
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Robot learning policies fail in characteristic ways: they stall in uncertain states, drift during contact-rich alignment, and miss targets by millimetres in precision tasks. Yet training datasets consist largely of successful demonstrations, while real-world benchmarks often reduce performance to binary success. This limits both supervision for recovery and analysis of where failures occur. We introduce REBOOT (Recovery Episode Benchmark for Off-nominal Trajectories), the first robot manipulation benchmark designed around failure as a first-class signal. REBOOT contains 2,160 demonstrations across 18 precision assembly tasks, each decomposed into five shared phases: Align(pick), Engage(pick), Transport, Align(place), and Engage(place), enabling phase-level evaluation beyond terminal success. Failures are introduced across phases and paired with expert recovery trajectories that return the system to a valid continuation state. Tasks are annotated with rotational symmetry, engagement-clearance precision tier, and assembly direction through matched install-remove pairs. Failure episodes are labeled by phase and categorical failure mode, enabling attribution to kinematic stage and tolerance violation. Data includes synchronized RGB-D observations from four viewpoints and grounded natural-language descriptions of phase-level success and failure conditions. Half the dataset contains expert demonstrations; the other half contains recovery demonstrations sampled to reflect failures observed in imitation-learned policy rollouts. We benchmark action-chunked transformer, diffusion, and $π_0$-FAST policies using phase-level completion rates, revealing model-specific failure points hidden by binary evaluation. Dataset and code: https://nanayawoa.github.io/REBOOT
- Abstract（参考訳）: ロボット学習の方針は、不確実な状態に留まり、接触に富んだアライメントの間を漂流し、精度の高いタスクで数ミリメートルの目標を逃すという、特有の方法で失敗する。
しかし、トレーニングデータセットは主に成功例から成り、実世界のベンチマークはパフォーマンスを2進的な成功に還元することが多い。
これにより、リカバリの監督と障害発生箇所の分析の両方が制限される。
第一級信号として障害を中心に設計された最初のロボット操作ベンチマークであるREBOOT(Recovery Episode Benchmark for Off-nominal Trajectories)を紹介する。
REBOOTには18の精密組立タスクにわたる2,160のデモがあり、それぞれがAlign(pick)、Engage(pick)、Transport、Align(place)、Engage(place)の5つの共有フェーズに分割されている。
障害はフェーズにまたがって導入され、システムの有効な継続状態を返す専門家のリカバリトラジェクトリと組み合わせられる。
タスクは、回転対称性、エンゲージメント・クリアランス精度層、およびマッチングされたインストール-削除ペアを介して組立方向とアノテートされる。
障害エピソードは、段階的およびカテゴリー的障害モードによってラベル付けされ、運動段階への帰属と寛容違反を可能にする。
データには、4つの視点からRGB-D観測を同期させ、フェーズレベルの成功と障害条件を自然言語で記述する。
データセットの半分には専門家によるデモンストレーションが含まれており、残り半分には、模倣学習されたポリシロールアウトで観察された障害を反映したリカバリデモが含まれている。
我々は、位相レベル完了率を用いて、アクションチャンク変換器、拡散、および$π_0$-FASTポリシーをベンチマークし、モデル固有の故障点をバイナリ評価によって隠蔽することを示した。
データセットとコード:https://nanayawoa.github.io/REBOOT
関連論文リスト
- CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - LIBERO-RECOVER: Beyond Task Success Towards Failure Recovery in Robotic Manipulation Models [48.57715789642472]
本稿では,ロボット操作における障害回復のための大規模ベンチマークであるLIBERO-Recover Benchmarkを紹介する。
我々は、SOTAを具体化したモデルから実際の実行失敗を収集し、4つのリカバリレベルにわたって1000以上のシナリオを構築します。
空間的理解,オブジェクト構造推論,相互作用理解,トポロジカル推論の4つのコア機能を評価する。
論文 参考訳（メタデータ） (2026-09-04T14:15:27Z) - ValueFormer: A Causal Transformer Value Function with Stage-Aware Labels for Semi-Autonomous Vision-Language-Action Policies [0.576537956677604]
本稿では,凍結したDINOv3バックボーン上の因果変換器であるValueFormerを紹介する。
障害エピソードには、障害ステージ前の成功曲線を保存するステージ認識、成功テーマデカイリターンとラベル付けされ、単一の障害時間ではなく、ミス間隔から検出が監視される。
論文 参考訳（メタデータ） (2026-08-03T23:46:39Z) - RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。
成功、回復、失敗の軌跡に異なる役割を割り当てる。
対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
論文 参考訳（メタデータ） (2026-05-10T08:24:05Z) - Learning Actionable Manipulation Recovery via Counterfactual Failure Synthesis [21.197844940385725]
現在の障害学習パラダイムは、コストと安全性の低い実世界のデータ収集か、シミュレータベースの摂動に依存している。
このフレームワークは,実世界の実演を成功させるのから直接,フォトリアリスティックでファクトファクトファクトのロールアウトを合成するものだ。
生成の世界モデル内でアクションを摂動させることで、Dream2Fixはシミュレータに頼ることなくペアの失敗言語データを生成する。
論文 参考訳（メタデータ） (2026-03-13T19:02:58Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Guardian: Detecting Robotic Planning and Execution Errors with Vision-Language Models [53.20969621498248]
本稿では,多種多様な計画および実行障害を生成するために,軌道を手続き的に乱す自動ロボット故障合成手法を提案する。
RLBench-Fail, BridgeDataV2-Fail, UR5-Failの3つの新しい故障検出ベンチマークを構築した。
次に、詳細な障害推論と検出のためのマルチビューイメージを備えたVLMであるGuardianをトレーニングします。
論文 参考訳（メタデータ） (2025-12-01T17:57:27Z)
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。