Fugu-MT 論文翻訳(概要): Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation

論文の概要: Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation

arxiv url: http://arxiv.org/abs/2609.24411v2
Date: Tue, 22 Sep 2026 15:03:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 01:05:39.656987
Title: Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation
Title（参考訳）: Zeva-Ego:ロボットマニピュレーションのためのインコンテキスト因果学習によるエゴセントリック中級学習
Abstract要約: エゴセントリックビデオは、物理的なインタラクション体験のスケーラブルなソースを提供するが、それをロボットが実行可能な知識に変換することは難しい。我々は,人間の経験から身体的先行を学習し,ロボットのインタラクションを通じて進化する統合フレームワークであるZeva-Egoを紹介した。
参考スコア（独自算出の注目度）: 18.89417455448077
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Egocentric video offers a scalable source of physical interaction experience, yet translating it into robot-executable knowledge and enabling continual adaptation remain challenging. We introduce Zeva-Ego, a unified framework that learns physical priors from human experience and evolves through robot interaction. An Action-Centric Encoder (ACE) converts egocentric visual transitions into action-centered supervision for VLA mid-training, while In-Context Causal Learning (ICCL) enables parameter-free adaptation from action-effect feedback at deployment. Scaling Ego data to 10K hours improves RoboTwin success from 63.8% to 75.3%, matching 2K hours of robot demonstrations (74.7%), corresponding to an empirical data ratio of roughly 4-5:1. With accumulated interaction experience, ICCL further improves success from 58% to 89% within four attempts without parameter updates. These results demonstrate a scalable path toward embodied intelligence that learns from human experience and continuously improves through its own interaction.
Abstract（参考訳）: エゴセントリックビデオは、物理的なインタラクション体験のスケーラブルなソースを提供するが、それをロボットの実行可能な知識に翻訳し、継続的な適応を可能にすることは難しいままである。我々は,人間の経験から身体的先行を学習し,ロボットのインタラクションを通じて進化する統合フレームワークであるZeva-Egoを紹介した。 Action-Centric Encoder (ACE)は、エゴセントリックな視覚遷移をVLAミッドトレーニングのためのアクション中心の監視に変換する一方で、ICCL(In-Context Causal Learning)は、デプロイメント時のアクション効果フィードバックからのパラメータフリー適応を可能にする。 Egoデータを10K時間にスケーリングすることで、RoboTwinの成功率は63.8%から75.3%に向上し、2K時間のロボットデモ(74.7%)とほぼ4-5:1の実証データ比が一致する。インタラクションエクスペリエンスの蓄積により、ICCLはさらに、パラメータ更新なしで4回の試行で58%から89%に改善される。これらの結果は、人間の経験から学び、自身のインタラクションを通じて継続的に改善する、エンボディインテリジェンスへのスケーラブルな道を示す。

関連論文リスト

DexTacWAM: A Visuo-Tactile World-Action Model for Dexterous Manipulation [62.08802141030416]
本稿では,指先を個別に符号化するビジュオ触覚WAMであるDexTacWAMを紹介する。触覚潜伏剤をビデオ拡散世界モデルに注入し, 共同ビジュオ触覚世界モデリングを行う。
論文参考訳（メタデータ） (2026-09-21T17:55:24Z)
ME-Brain-1.0: Memory, Cognition and Action for Evolving Embodied Intelligence [26.86497590862839]
MachEm-Brain(ME-Brain)は、閉じた行動実行、経験獲得、経験進化、改善された実行のループを中心に構成された自己進化型実施システムである。 Evolvable Memoryはマルチモーダルトラジェクトリを階層的で再利用可能なエクスペリエンスに集約する。 Action Modelは、イベント駆動の計算、EventCellのローカルワールド予測、およびアクション条件のメモリ変調を組み合わせて、決定クリティカルなモーメント、リージョン、歴史的なエビデンスにフォーカスする。
論文参考訳（メタデータ） (2026-09-21T08:35:37Z)
Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
論文参考訳（メタデータ） (2026-09-18T09:06:15Z)
HuRo: Robotizing Human Videos for Scalable VLA Pretraining [21.648183246162237]
異種映像をロボット対応の観察・行動軌跡に変換するロボット化パイプラインを開発した。我々は5つのビデオソースから約630Kのロボット化されたエピソードと1億4200万のフレームからなるHuRoデータセットを構築した。
論文参考訳（メタデータ） (2026-09-09T18:02:05Z)
GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文参考訳（メタデータ） (2026-09-04T17:16:48Z)
ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training [93.39352617578857]
大規模ビデオから一般化可能なワールドアクションモデルを学ぶためのフレームワークであるZimaBlueを紹介した。 ZimaBlueは3段階のトレーニングカリキュラムに従っており、まず大規模な人間とロボットの自我中心のビデオで因果的エンボディドビデオの事前トレーニングを行う。 ZimaBlueはさらに複数のベンチマークで高いパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-08-31T18:09:52Z)
JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment [0.0]
本研究では,物理世界力学と視覚的意味論を結びつけるフレームワークであるJoyAI-RA 0.5を提案する。インシシットアクションアライメントは、視覚的な遷移から潜在アクションを推論し、アクションフリーな人間、シミュレーション、ロボットデータを可能にする。 JoyAI-RAは、実際のAgiBotベンチマークで見られるタスクと見えないバリエーションの両方に強く依存する。
論文参考訳（メタデータ） (2026-08-06T07:14:55Z)
Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos [101.26467307473638]
我々はMotoを紹介する。Motoは、映像コンテンツをラテントモーションTokenizerでラテントモーションTokenシーケンスに変換する。我々は、モーショントークンによるMoto-GPTの事前学習を行い、多様な視覚的動きの知識を捉えることができる。実際のロボット動作に先立って学習した動きを転送するために、潜伏した動きのトークン予測と実際のロボット制御をシームレスにブリッジするコファインチューニング戦略を実装した。
論文参考訳（メタデータ） (2024-12-05T18:57:04Z)
Vocal Sandbox: Continual Learning and Adaptation for Situated Human-Robot Collaboration [64.6107798750142]
Vocal Sandboxは、位置のある環境でシームレスな人間とロボットのコラボレーションを可能にするフレームワークである。我々は,ロボットの能力に対する理解と協調をリアルタイムで構築できる軽量で解釈可能な学習アルゴリズムを設計する。我々はVocal Sandboxを,コラボレーションギフトバッグアセンブリとLEGOストップモーションアニメーションの2つの設定で評価した。
論文参考訳（メタデータ） (2024-11-04T20:44:40Z)
Robots Pre-train Robots: Manipulation-Centric Robotic Representation from Large-Scale Robot Datasets [24.77850617214567]
本稿では,視覚的特徴と操作タスクの行動や受容といった動的情報の両方を抽出する基礎表現学習フレームワークを提案する。具体的には、DROIDロボットデータセット上で視覚エンコーダを事前訓練し、ロボットの受容状態や動作などの動作関連データを活用する。本研究では,視覚的観察をロボットの主観的状態-動作ダイナミクスと整合させる新しいコントラスト的損失と,事前トレーニング中の行動を予測する行動クローニング(BC)のようなアクター損失と,時間的コントラスト的損失を導入する。
論文参考訳（メタデータ） (2024-10-29T17:58:13Z)

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。