論文の概要: RoboChrono: A Real Robot Benchmark for Streaming Task Understanding
- arxiv url: http://arxiv.org/abs/2609.36605v1
- Date: Tue, 29 Sep 2026 03:21:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.149027
- Title: RoboChrono: A Real Robot Benchmark for Streaming Task Understanding
- Title（参考訳）: RoboChrono:タスク理解のためのリアルロボットベンチマーク
- Abstract要約: RoboChronoは、実際のロボットの実行と人間の記録から構築されたストリーミングタスク理解のためのベンチマークである。
このベンチマークは、認識、アライメント、時間的接地、行動理解と予測、視覚的対応、時間的順序付け、行動ローカライゼーションを含む7つのタスクを評価する。
- 参考スコア（独自算出の注目度）: 33.92530084538482
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding ongoing robot manipulation requires models to interpret visual observations in relation to interaction history and task progress. We introduce RoboChrono, a benchmark for streaming task understanding comprising 39 scenarios and 34,713 evaluation instances, constructed from real robot executions and complementary bare-hand human recordings. The benchmark evaluates seven tasks grouped into recognition, alignment, and temporal grounding, covering action understanding and anticipation, visual correspondence, temporal ordering, and action localization. Zero-shot evaluation of 18 vision-language models reveals substantial differences across tasks. GPT-6-Astra achieves 98.3% accuracy on Frame Matching but 68.3% on Frame Ordering, while RynnBrain1.1-122B-A10B exhibits a larger gap, reaching 95.4% and 32.9%, respectively. Input ablations on matched questions with five open-weight models further reveal distinct dependencies on visual evidence: removing visual observations reduces Current Action Recognition accuracy by 22.1 percentage points, whereas Next Action Prediction decreases by only 0.7 points. These findings show that strong visual matching does not consistently coincide with strong temporal ordering, and suggest that next-action prediction can be supported by task and action priors even when visual evidence is unavailable. RoboChrono provides a diagnostic setting for examining these differences, highlighting the need for capability-specific evaluation beyond aggregate scores when assessing task understanding in robot manipulation.
- Abstract（参考訳）: 進行中のロボット操作を理解するには、インタラクション履歴とタスクの進捗に関連する視覚的観察を解釈するモデルが必要である。
本稿では,39のシナリオと34,713の評価インスタンスを含むストリーミングタスク理解のためのベンチマークであるRoboChronoを紹介した。
このベンチマークは、認識、アライメント、時間的接地、行動理解と予測、視覚的対応、時間的順序付け、行動ローカライゼーションを含む7つのタスクを評価する。
18の視覚言語モデルのゼロショット評価は、タスク間で大きな違いを示す。
GPT-6-Astraはフレームマッチングで98.3%、フレーム順序で68.3%、RynnBrain1.1-122B-A10Bは95.4%、32.9%である。
視覚的観察を取り除くことで、現在の行動認識の精度は22.1ポイント低下し、次の行動予測はわずか0.7ポイント低下する。
これらの結果から,強い視覚的マッチングが強い時間的順序付けと一貫して一致しないことが示唆され,視覚的証拠が得られなくても,次の行動予測がタスクや行動の先行によって支持されることが示唆された。
RoboChronoはこれらの違いを調べるための診断設定を提供しており、ロボット操作におけるタスク理解を評価する際に、集計スコアを超える能力特異的評価の必要性を強調している。
関連論文リスト
- ActionLens: Diagnosing Spatial-Temporal Binding Failures in Vision-Language Models [27.10329844636688]
ActionLensは、対象とする5つの診断にまたがる6,701のマルチチョイスビデオ質問の診断ベンチマークである。
グラウンドトルース回答は1秒あたり58万の個人アノテーションから決定的に導かれる。
視線検出は89.6%の人的精度に対してほぼ確実である。
論文 参考訳（メタデータ） (2026-09-28T08:10:06Z) - HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation [88.74642218250409]
歴史調和型インタラクション・ステート・リゾナ(ISR)とハイレートインタラクション・マニフォールド・エクゼクタ(IME)を組み合わせたクロスレートフレームワークHIREを紹介する。
ISRは命令されたレンチ履歴を時間的レンチエンコーダとフォース・パーシーバーでエンコードする。
IMEは接触臨界運動を本質的な進行と横方向補正に構成し、正確な実行を行う。
論文 参考訳（メタデータ） (2026-09-25T05:13:23Z) - EgoTSR++: Egocentric Spatiotemporal Reasoning for Task Progress Understanding [51.078675806865306]
VLM(Vision-Language Models)は、静的な視覚的理解において急速に進歩しているが、エゴセントリックなタスクがどのように進行しているかを判断しても信頼性が低い。
EgoTSR(EgoTSR)は,オーダーローバストなタスク・プログレス理解を診断・改善するための統合フレームワークである。
論文 参考訳（メタデータ） (2026-09-23T09:20:44Z) - Behavior-Aligned Action Tokenization for Robot Policy Learning [9.37360970873363]
自己回帰型ロボットポリシーは、観察から個別のアクショントークンを予測することによって、継続的な制御を学習する。
本研究では,対応する動作チャンクを選択し,その量子化座標を再構成とともに整列させる行動適応型行動トークン化(BAAT)を提案する。
履歴条件付き拡散復号器はこれらのトークンから連続的なアクションチャンクを再構成し、下流の自己回帰ポリシーはそれらを予測することを学ぶ。
論文 参考訳（メタデータ） (2026-09-23T08:12:03Z) - TriWorldBench: A Tri-View Consistency Perspective on Embodied World Models [68.07981098895088]
身体的世界モデルは、学習と計画を支援するロボット行動の結果を予測する。
トリウォルドベンチ(TRIWORLDBENCH)は、シンクロナイズドヘッド、左書き、右書きビデオを通じて、エンボディドワールドモデルを評価するためのベンチマークである。
論文 参考訳（メタデータ） (2026-09-22T12:23:14Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - RAFAIL: Relationship-Aware Failure Detection for Robotic Manipulation [0.4683612295430956]
RAFAILはロボット操作時の実行障害を検出するためのフレームワークである。
タスク関連関係における異常を検出することによって、障害を識別する。
RAFAILは3つの現実世界のロボット操作タスクで73.4%のバランスの取れた精度を達成した。
論文 参考訳（メタデータ） (2026-09-16T08:46:02Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Enhancing Video-Based Robot Failure Detection Using Task Knowledge [23.872457839873647]
本研究では,ロボットが行う動作の時間的知識と,フィールドビュー内のタスク関連オブジェクトを用いて,映像に基づく障害検出手法を提案する。
我々は,タスク関連知識のアノテーションの追加とともに,修正した3つのデータセットに対するアプローチの有効性を実証する。
ARMBenchデータセットのF1スコアにおける77.9から80.0の改善を、追加の計算コストを伴わずに観察し、テスト時間拡張で81.4に増やした。
論文 参考訳（メタデータ） (2025-08-26T06:10:46Z)
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。