論文の概要: FineART: Fine-grained Annotated Robotic Trajectory Dataset and Vision-Language-Action Model for Bimanual Manipulation

• arxiv url: http://arxiv.org/abs/2609.36416v1
• Date: Tue, 29 Sep 2026 00:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.076674
• Title: FineART: Fine-grained Annotated Robotic Trajectory Dataset and Vision-Language-Action Model for Bimanual Manipulation
• Title（参考訳）: FineART: 細粒度アノテートされたロボット軌道データとバイマニピュレーションのためのビジョン・ランゲージ・アクションモデル
• Abstract要約: FineARTは151タスクにわたる40,543エピソード、1,718時間、533,913サブタスクからなる、高密度に注釈付き双方向操作データセットである。 我々は,次のサブタスクを予測する視覚言語対応政策であるFineART-VLAを導入し,この方法で中級学習を行うことで,かなりの利得が得られることを示す。
• 参考スコア（独自算出の注目度）: 5.032127588091453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots operating in real-world environments must execute complex, multi-step bimanual tasks over long horizons rather than single, isolated actions. Current manipulation datasets struggle to support this capability: although single-arm datasets reach hundreds of thousands of trajectories, they typically provide only one high-level instruction per episode while the rare bimanual effort that does label subtasks annotates only a fraction of its hours. We present FineART, a densely annotated bimanual manipulation dataset of 40,543 episodes, 1,718 hours, and 533,913 subtasks across 151 tasks. We also introduce FineART-VLA, a vision-language-action policy that predicts its own next subtask, and show that mid-training it this way yields substantial gains. Specifically, success on a spatial disambiguation task increases from 32.0% to 100.0%, and step-by-step human subtask guidance lifts success on an unseen long-horizon task from 16.0% to 76.0%. Furthermore, after minimal fine-tuning on a new robot, the policy requires one-tenth the data of baselines without mid-training and generalizes zero-shot to completely unseen tasks on the new hardware. We open-source the full dataset, model weights, and training code.
• Abstract（参考訳）: 現実の環境で動くロボットは、単一の孤立したアクションではなく、長い地平線上で複雑な多段階のバイマニュアルタスクを実行しなければならない。 現在の操作データセットは、この機能をサポートするのに苦労している。シングルアームデータセットは数十万のトラジェクトリに達するが、通常は1回に1つのハイレベルなインストラクションしか提供しない。 FineARTは151タスクにわたる40,543エピソード、1,718時間、533,913サブタスクからなる、高密度に注釈付き双方向操作データセットである。 また、ファインアート-VLAは、自身の次のサブタスクを予測するヴィジュアル・ランゲージ・アクション・ポリシーであり、この方法で中級学習を行うことでかなりの利益が得られることを示す。 具体的には、空間的曖昧化タスクの成功は32.0%から100.0%に増加し、ステップバイステップの人間のサブタスクガイダンスは、目に見えないロングホライゾンタスクの成功を16.0%から76.0%に引き上げる。 さらに、新しいロボットで最小限の微調整をした後、このポリシーでは、中級トレーニングなしでベースラインのデータ1分の1を必要とし、ゼロショットを一般化して、新しいハードウェアで完全に見えないタスクを一般化する。 完全なデータセット、モデルの重み付け、トレーニングコードをオープンソースにしています。

関連論文リスト

• Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
  テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。 我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。 RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
  論文  参考訳（メタデータ） (2026-08-26T17:59:34Z)
• $τ_0$-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation [51.05516457377339]
  ロングホライズンロボットの操作には、ロボットが個々のスキルを確実に実行し、拡張されたタスクに対してそれらを一貫性を持ってシーケンスする必要がある。 計算スケーリング可能な推論問題として高レベルサブタスク生成を定式化する階層型ロボット基盤モデルである$_0$-VLAを導入する。 低レベルポリシーは、生成されたサブタスクを複数のロボットエンボディメントにわたって実行する。
  論文  参考訳（メタデータ） (2026-08-17T17:59:11Z)
• FLaRe: Achieving Masterful and Adaptive Robot Policies with Large-Scale Reinforcement Learning Fine-Tuning [74.25049012472502]
  FLaReは、堅牢な事前訓練された表現、大規模なトレーニング、勾配安定化技術を統合する大規模な強化学習フレームワークである。 提案手法は,タスク完了に向けた事前訓練されたポリシーを整列し,これまで実証され,全く新しいタスクや実施状況において,最先端(SoTA)のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-25T03:15:17Z)
• LHManip: A Dataset for Long-Horizon Language-Grounded Manipulation Tasks in Cluttered Tabletop Environments [10.395448371001136]
  本稿では,200エピソードからなるLong-Horizon Manipulationデータセットについて述べる。 タスクには、グルーピング、プッシュ、積み重ね、非常に散らかった環境でオブジェクトを投げるなど、複数のサブタスクが含まれる。 データセットは、Open X-Embodimentデータセットの一部を構成する176,278の観測-アクションペアで構成されている。
  論文  参考訳（メタデータ） (2023-12-19T10:45:56Z)
• iTAML: An Incremental Task-Agnostic Meta-learning Approach [123.10294801296926]
  人間は経験が成長するにつれて、新しい知識を継続的に学ぶことができる。 ディープニューラルネットワークにおける以前の学習は、新しいタスクでトレーニングされたときにすぐに消えてしまう可能性がある。 遭遇した全てのタスク間の平衡を維持するために,新しいメタラーニング手法を導入する。
  論文  参考訳（メタデータ） (2020-03-25T21:42:48Z)

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。