論文の概要: RoboMonitor: Label-Efficient Runtime Monitoring of Robot Task Execution via Predictive Representation Learning

• arxiv url: http://arxiv.org/abs/2609.30715v1
• Date: Fri, 25 Sep 2026 02:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.190575
• Title: RoboMonitor: Label-Efficient Runtime Monitoring of Robot Task Execution via Predictive Representation Learning
• Title（参考訳）: RoboMonitor:予測表現学習によるロボットタスク実行のラベル有効実行監視
• Abstract要約: 実行監視には、現在の実行フェーズを特定し、障害を検出し、タスク完了を認識する必要がある。 監視監視を導入する前にデータセットから学習するラベル効率のよい視覚言語実行モニタであるRoboMonitorを紹介する。 デプロイメントでは、RoboMonitorはタスク命令とカメラ観察のみを必要とする。
• 参考スコア（独自算出の注目度）: 3.5773382751934792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned robot policies produce actions, but their outputs alone do not establish whether execution is progressing as intended. Robot execution monitoring requires identifying the current execution phase, detecting failures, and recognizing task completion from observations available during execution. Training such monitors requires annotations that are scarce in datasets collected for robot-policy learning. We present RoboMonitor, a label-efficient vision--language execution monitor that learns from these datasets before introducing monitoring supervision. We pre-train on 25 hours of multi-camera trajectories spanning 12 manipulation tasks and two robot embodiments, using action-conditioned future-feature prediction, inverse dynamics, and masked-present prediction. We then transfer the learned visual and context encoders to a causal monitor and apply temporal supervised fine-tuning (Temporal SFT), which combines supervision throughout each observation window with consistency objectives within and across overlapping windows. At deployment, RoboMonitor requires only the task instruction and camera observations. On a four-task monitoring benchmark, RoboMonitor trained with 52 labeled episodes achieves 93.1% mean phase accuracy and 85.9% macro recall over two fine-tuning seeds, exceeding Qwen3-VL and Robometer trained with the same monitoring supervision. Its phase accuracy also exceeds that of both Qwen3-VL and Robometer trained with 100 episodes. A Qwen3-VL ablation shows that Temporal SFT reduces mean spurious phase switching from 15.23% to 4.95%. In closed-loop deployment, the integrated system completes 39 of 40 simulated Toolbox Sorting trials and 35 of 40 real-world Reel Packing trials, with no false recovery triggers observed.
• Abstract（参考訳）: 学習されたロボットポリシーはアクションを生成するが、そのアウトプットだけでは、実行が意図した通りに進行しているかどうかを定めていない。 ロボットの実行監視には、現在の実行フェーズを特定し、障害を検出し、実行中に利用可能な観察からタスク完了を認識する必要がある。 このようなモニターのトレーニングには、ロボット政治学習のために収集されたデータセットに不足するアノテーションが必要である。 本稿では、ラベル効率のよい視覚言語実行モニタであるRoboMonitorを紹介し、監視監視を導入する前にこれらのデータセットから学習する。 動作条件付き将来予測,逆ダイナミクス,マスク表示予測を用いて,12の操作タスクと2つのロボットエボディメントにまたがる25時間のマルチカメラトラジェクトリを事前訓練した。 次に、学習した視覚的および文脈的エンコーダを因果モニターに転送し、時間的教師付き微調整(Temporal SFT)を適用する。 デプロイメントでは、RoboMonitorはタスク命令とカメラ観察のみを必要とする。 52回のラベル付きエピソードでトレーニングされたRoboMonitorは4タスクのベンチマークで、93.1%の平均位相精度と85.9%のマクロリコールを実現し、同じ監視監視でトレーニングされたQwen3-VLとRoboometerを上回った。 位相精度はQwen3-VLと100エピソードで訓練されたロビオメーターのどちらよりも高い。 Qwen3-VLアブレーションは、テンポラルSFTが平均スプリアス位相を15.23%から4.95%に減少させることを示している。 クローズドループ展開では、40の模擬ツールボックスソーティング試験のうち39のシステムと、40の現実のReel Packing試験の35のシステムを完了し、誤ったリカバリのトリガは観測されていない。

関連論文リスト

• LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
  一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。 我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T13:05:29Z)
• EvoEye: Self-Evolving Runtime Monitoring for Autonomous Driving Systems [15.753537830005596]
  本稿では,現在のモニタのエラーを識別し,それに応じて情報的実行を生成し,自己進化によってモニタを更新するEvoEyeを提案する。 効果的な自己進化を可能にするため、EvoEyeは、実行可能なランタイムモニタとターゲットシナリオの取得を組み合わせた。 FusionMonitorはフレームレベルのリコールを最大37.8ポイント、偽陽性率0.05で改善し、レイテンシは2.49ms、中央値警告時間は2.8-4.2秒である。 BlindSpotEvolverは、以前見逃された安全でないコンテキストにおいて、一様および違反指向のサンプリングを最大13.2F1ポイント向上させる。
  論文  参考訳（メタデータ） (2026-07-04T08:03:31Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation [14.833622989644352]
  我々は、自然言語コマンドを信頼性の高い操作に変換する軽量で完全なオンデバイスパイプラインを開発した。 Instruct2Actは91.5%のサブアクション予測精度を達成し、フットプリントは小さい。 その結果, DATRNに基づく軌道生成と視覚誘導グラウンド化と相まって, 決定論的, リアルタイムな操作を行うための実践的な経路が得られた。
  論文  参考訳（メタデータ） (2026-02-10T16:25:39Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
  そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。 観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-10-04T14:52:09Z)
• SeCo: Exploring Sequence Supervision for Unsupervised Representation Learning [114.58986229852489]
  本稿では,空間的,シーケンシャル,時間的観点から,シーケンスの基本的および汎用的な監視について検討する。 私たちはContrastive Learning(SeCo)という特定の形式を導き出します。 SeCoは、アクション認識、未トリムアクティビティ認識、オブジェクト追跡に関する線形プロトコルにおいて、優れた結果を示す。
  論文  参考訳（メタデータ） (2020-08-03T15:51:35Z)

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。