論文の概要: LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models

• arxiv url: http://arxiv.org/abs/2609.24350v1
• Date: Mon, 21 Sep 2026 09:43:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.24739
• Title: LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models
• Title（参考訳）: LIBERO-VPro:ロボット基礎モデルのクローズドループ視覚ロバストネスのベンチマーク
• Abstract要約: 本稿では,ロボット基礎モデルの閉ループ視覚的堅牢性を評価するためのベンチマークであるLIBERO-VProを紹介する。 約196,000回にわたって3つの視覚言語行動モデルと3つの世界行動モデルを評価した。 以上の結果から,強い名目性能は視覚的接地や適応において重大な弱点を隠蔽する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 61.038310084204056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic foundation models achieve impressive performance on standard manipulation benchmarks, yet these evaluations typically assume clean, timely, and consistent visual observations throughout execution. We introduce LIBERO-VPro, a benchmark for systematically evaluating the closed-loop visual robustness of robotic foundation models by perturbing the visual evidence available during execution. LIBERO-VPro covers four complementary dimensions, including Visual Evidence Degradation, Camera Staleness, Visual Source Consistency, and Task-Relevant Scene Variation, spanning 12 challenge categories, 96 experimental settings, and 3,296 task-condition cases. We evaluate three vision-language-action models and three world-action models over approximately 196,000 simulated episodes, complemented by 200 real-world rollouts on a Franka Research 3. Our results reveal that strong nominal performance can mask substantial weaknesses in visual grounding and adaptation. Models often remain successful despite severe object-level occlusion, yet degrade sharply when local interaction cues are disrupted or familiar spatial priors are violated. They are also highly sensitive to stale or missing observations and struggle when changed task preconditions require behavioral adaptation. Finally, VLAs and WAMs exhibit distinct robustness profiles, showing that visual robustness is multi-dimensional and architecture-dependent. LIBERO-VPro provides a systematic diagnostic framework for developing robotic foundation models that can more reliably ground and adapt their actions under challenging visual conditions.
• Abstract（参考訳）: ロボット基礎モデルは標準的な操作ベンチマークで印象的なパフォーマンスを達成するが、これらの評価は通常、実行を通してクリーンでタイムリーで一貫した視覚的観察を仮定する。 LIBERO-VProは,ロボット基礎モデルの閉ループ視覚的ロバスト性を,実行中に利用可能な視覚的証拠を摂動することによって体系的に評価するベンチマークである。 LIBERO-VProは、ビジュアルエビデンス劣化、カメラの安定性、ビジュアルソース一貫性、タスク関連シーン変動の4つの相補的な側面をカバーしており、12の課題カテゴリ、96の実験設定、3,296のタスク条件ケースをカバーしている。 約196,000回に渡り、3つの視覚言語アクションモデルと3つの世界アクションモデルを評価し、フランカリサーチ3の200個の実世界ロールアウトを補完する。 以上の結果から,強い名目性能は視覚的接地や適応において重大な弱点を隠蔽する可能性が示唆された。 厳密な対象レベルの閉塞にもかかわらず、しばしばモデルは成功し続けるが、局所的な相互作用の手がかりが破壊されたり、慣れ親しんだ空間的先行が破られたりすると、急激に低下する。 また、変化したタスク前条件が行動適応を必要とする場合、古い観察や欠落した観察に非常に敏感である。 最後に、VLAとWAMは異なるロバスト性プロファイルを示し、視覚的ロバスト性は多次元かつアーキテクチャに依存していることを示す。 LIBERO-VProは、ロボット基礎モデルを開発するための体系的な診断フレームワークを提供する。

関連論文リスト

• Exploring Vision-Language Models for Online Signature Verification: A Zero-Shot Capability Study [9.575629835755972]
  本研究は、最先端ビジョンランゲージモデル(VLM)のゼロショット性能を評価する探索的研究である。 本稿では,ロバストなバイオメトリックスコアを計算するために,潜在トークン確率を抽出するスコアリングプロトコルを提案する。 ランダムな偽造のシナリオでは、ゼロショットのVLMは例外的な差別を達成し、GPT-5.2はモバイルタスクで0.32%の誤り率に達する。 熟練した偽造のシナリオでは、両方のシグネチャがほぼ同じであり、結果は著しく悪化し、クリティカルな"Rationalization Trap"が現れるため、タスクがより難しい。
  論文  参考訳（メタデータ） (2026-05-14T13:53:28Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• Eva-VLA: Evaluating Vision-Language-Action Models' Robustness Under Real-World Physical Variations [20.05530136820015]
  VLA(Vision-Language-Action)モデルは、ロボット操作のための有望なソリューションとして登場したが、現実世界の物理的変動に対する堅牢性は、いまだに過小評価されていない。 本稿では,離散的な物理変動を連続最適化問題に変換することで,VLAモデルのロバスト性を体系的に評価する最初の統一フレームワークであるEva-VLAを提案する。 Eva-VLAフレームワークは,VLAベースのロボット操作モデルを現実の展開課題に対して強化するための実用的な経路を提供する。
  論文  参考訳（メタデータ） (2025-09-23T13:02:23Z)
• SpatialViz-Bench: An MLLM Benchmark for Spatial Visualization [44.427830927596204]
  SpaceViz-Benchは4つのサブ能力にまたがる12のタスクを持つ空間視覚化のための総合的なベンチマークである。 33種類の最先端MLLMを評価した結果,多彩な性能の変動がみられ,反直感的な結果が得られた。
  論文  参考訳（メタデータ） (2025-07-10T10:27:20Z)
• Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
  視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。 しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。 様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:44Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)

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。