論文の概要: TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation
- arxiv url: http://arxiv.org/abs/2609.23580v1
- Date: Sun, 20 Sep 2026 11:57:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 16:33:50.045696
- Title: TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation
- Title（参考訳）: TaskAnchor: 長時間操作のためのリアクティブVLAにおける接地タスク状態
- Abstract要約: 本稿では,実行履歴に事前学習した視覚-言語-アクションモデルに基づく軽量アダプタであるTaskAnchorを紹介する。
RMBenchでは、TaskAnchorは約4.9--5.5$times$で発行された$_0.5$とX-VLAベースラインの平均成功率を達成した。
追加のレイテンシは、アクションチャンク当たり2.08,msで、$_0.5$である。
- 参考スコア（独自算出の注目度）: 49.02604313942616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reactive vision--language--action (VLA) models struggle with long-horizon manipulation when visually similar observations can correspond to different actions depending on the task stage or interaction history. We refer to this ambiguity as task-state aliasing and introduce TaskAnchor, a lightweight adapter that grounds pretrained VLAs in execution history. TaskAnchor combines history-conditioned visual refinement with a milestone-supervised task-state coordinate, a scalar representing the semantic stage of execution. These signals are injected through the native visual and language interfaces, respectively, without introducing an explicit planner or modifying the action-generation mechanism. On RMBench, TaskAnchor achieves approximately 4.9--5.5$\times$ the average success rates of the published $π_{0.5}$ and X-VLA baselines, with consistent gains on RoboMemArena and real robots. The added latency is only 2.08\,ms per action chunk for $π_{0.5}$.
- Abstract（参考訳）: リアクティブビジョン-言語-アクション(VLA)モデルは、視覚的に類似した観察がタスクステージやインタラクション履歴によって異なるアクションに対応できる場合、長い水平操作に苦しむ。
この曖昧さをタスク状態エイリアスと呼び、実行履歴に事前訓練されたVLAを基盤とする軽量アダプタTaskAnchorを導入します。
TaskAnchorは、履歴条件付きビジュアルリファインメントとマイルストーン管理されたタスク状態座標、すなわち実行のセマンティックステージを表すスカラーを組み合わせる。
これらの信号は、明示的なプランナーを導入するか、アクション生成機構を変更することなく、それぞれネイティブのビジュアルインタフェースと言語インターフェースを通して注入される。
RMBenchでは、TaskAnchorは約4.9--5.5$\times$で発行された$π_{0.5}$とX-VLAベースラインの平均成功率を達成し、RoboMemArenaと実際のロボットに一貫した利得を与える。
追加のレイテンシは、$π_{0.5}$のアクションチャンク当たり2.08\,msである。
関連論文リスト
- EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation [14.84720789511593]
本稿では,物理的基盤の時間的監督を通じて,コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。
LIBERO Longでは96.60+/-0.87%、RoboTwin 12タスクで85.5%/84.2%のクリーン/ランダム化成功を含む、TemporalFlow-VLAが平均97.63+/-0.26%のLIBEROで平均的な成功を達成していることを示す。
論文 参考訳（メタデータ） (2026-08-27T09:00:56Z) - A Task-State Representation for Long-Horizon Mobile GUI Agents [53.359524744953575]
Task-State Representation (TSR)は、感覚入力からタスク状態を明示的に分離する、トレーニング不要のフレームワークである。
4つのモバイルGUIベンチマークによる実験では、TSRの有効性が検証され、成功率が12ポイントまで向上した。
論文 参考訳（メタデータ） (2026-07-01T06:37:21Z) - S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation [34.73337776403718]
VLA(Vision-Language-Action)モデルは、ロボット操作において強力な能力を示しているが、その性能は長距離作業では著しく低下している。
本稿では,SSGAA(State-Space Guided Adaptive Attention)機構を導入するフレームワークであるS$2$-VLAを提案する。
S$2$-VLAは、より大きな7Bスケールモデルより一貫して優れており、ロングホライゾンのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-26T09:13:16Z) - WeaveLA: Event Driven Cross-Subtask Latent Memory Weaving for Repetitive Robot Manipulation [32.02573096393062]
VLA(Vision-Language-Action)ポリシーは、目覚ましいシングルステップ操作を実現しているが、各ステージが完了した時点では、正確には不安定である。
WeaveLAは、各セグメントを遅延トークンに圧縮するクロスサブタスクメモリインタフェースである。
論文 参考訳（メタデータ） (2026-06-16T03:25:34Z) - RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。
潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。
RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
論文 参考訳（メタデータ） (2026-05-13T11:58:02Z) - CodeGraphVLP: Code-as-Planner Meets Semantic-Graph State for Non-Markovian Vision-Language-Action Models [13.691036198349465]
VLA(Vision-Language-Action)モデルは一般的なロボット操作を約束するが、通常は短期水平政策として訓練され展開される。
信頼性の高い長距離操作を可能にする階層型フレームワークであるCodeGraphを提案する。
論文 参考訳（メタデータ） (2026-04-24T05:27:27Z) - Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。
本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。
タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
論文 参考訳（メタデータ） (2026-03-02T05:26:29Z) - PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation [27.791908160098625]
PALMは、インタラクション中心のアベイランス推論とサブタスクプログレスキューに関するポリシー学習を構築する。
Palmはシミュレーションや実世界の実験において、一貫してベースラインを上回っている。
論文 参考訳（メタデータ） (2026-01-11T21:00:58Z) - Generalizable Long-Horizon Manipulations with Large Language Models [91.740084601715]
本研究は,Large Language Models (LLMs) の機能を活用して,汎用可能な長距離操作のための原始的なタスク条件を生成するフレームワークを導入する。
我々は,Pybulletに基づくロボット操作タスクスイートを作成し,長期作業評価を行う。
論文 参考訳（メタデータ） (2023-10-03T17:59:46Z)
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。