論文の概要: Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing

• arxiv url: http://arxiv.org/abs/2609.37334v1
• Date: Tue, 29 Sep 2026 12:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.457793
• Title: Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing
• Title（参考訳）: ロボット実行エラー下でのVLAのモデリング:自己補償とストレステスト
• Abstract要約: 視覚言語アクション(VLA)ポリシーは、ロボットが実行した動作が命令された動作から逸脱した場合にしばしば失敗する。 本稿では,VLAポリシーがロボットの実行エラーを事前に補償できるデプロイ時適応手法である自己補償型VLAを提案する。
• 参考スコア（独自算出の注目度）: 59.15715295478112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies often fail when a robot's executed motion deviates from their commanded action. Such execution errors arise from the robot's mechanics and operating conditions, such as wear and payload changes. We propose self-compensating VLA, a deployment-time adaptation method that enables a VLA policy to pre-compensate for the robot's execution errors when generating commands. Without task rewards or labels, it updates the policy online using the residual between the action commanded by a VLA and the motion executed by the robot. To stress-test VLA robustness across execution conditions that are impractical to cover with physical robots alone, we introduce RoboStress, a controlled simulation benchmark. It combines established joint-level models of friction, backlash, compliance, and gravity-compensation error into seven deployment scenarios whose execution errors depend on the robot's state and motion history. On RoboStress, self-compensating VLA achieves higher average task success than both the base policies and methods that build in robustness during training. On two physical robot arms with different usage histories, it raises the average task success rate by more than 30 percentage points on each arm, and the gains extend to objects not seen in the task demonstrations.
• Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは、ロボットが実行した動作が命令された動作から逸脱した場合にしばしば失敗する。 このような実行エラーは、ロボットの機構や、摩耗やペイロードの変更などの動作条件から生じる。 本稿では,VLAポリシーがコマンドを生成する際に,ロボットの実行エラーを事前に補償するデプロイメント時適応手法である自己補償型VLAを提案する。 タスク報酬やラベルがなければ、VLAが指示するアクションとロボットが実行する動作の間の残余を使って、オンラインでポリシーを更新する。 物理ロボットのみでカバーできない実行条件におけるVLAロバスト性をストレステストするために,制御されたシミュレーションベンチマークであるRoboStressを導入する。 これは、摩擦、反発、コンプライアンス、重力補償誤差の確立された結合レベルモデルと、ロボットの状態と動作履歴に依存する実行エラーの7つのデプロイシナリオを組み合わせる。 RoboStressでは、自己補償VLAは、トレーニング中に堅牢性を構築するベースポリシーとメソッドの両方よりも平均的なタスク成功を達成する。 使用履歴が異なる2つの物理的ロボットアームでは、各アームの平均的なタスク成功率が30ポイント以上上昇し、その利得はタスクのデモでは見られない対象にまで拡大する。

関連論文リスト

• HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
  本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。 ロールアウト内では、プログラムレベルでオープンループを実行する。 デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
  論文  参考訳（メタデータ） (2026-09-24T07:40:00Z)
• Fail-RAG : A Retrieval Augmented Generation Informed Framework for Robot Failure Identification [8.8407924555623]
  Fail-RAGはRetrieval Augmented Generation (RAG)ベースの障害検出フレームワークである。 Fail-RAGは5種類のロボットで平均25パーセント高い障害検出精度を達成した。
  論文  参考訳（メタデータ） (2026-06-17T21:02:47Z)
• TAM: Torque Adaptation Module for Robust Motion Transfer in Manipulation [32.68351241308298]
  接触に富んだダイナミックな操作では、小さな動きのずれでさえ参照動作の追跡に失敗することがある。 本稿では,学習モジュールであるTorque Adaptation Module (TAM)を紹介した。
  論文  参考訳（メタデータ） (2026-06-04T14:31:54Z)
• Reducing Mental Workload through On-Demand Human Assistance for Physical Action Failures in LLM-based Multi-Robot Coordination [6.763690463901024]
  本研究では,リモートエラー解決をマルチロボット計画に統合するヒューマン・イン・ザ・ループ・フレームワークを提案する。 この方法では、ロボットは自律的にタスクを実行するが、発見不可能な障害が発生した場合、LLMはオペレーターに支援を要求する。 簡単に収集可能なアイテムを収集するために、フルリモートコントロールと同等のタスクの進捗を達成した。
  論文  参考訳（メタデータ） (2026-03-30T08:21:04Z)
• RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks [28.827331437876452]
  データ収集、ポリシー学習、タスク実行を単一のVLM駆動コントローラで統合するエージェントロボットフレームワークであるRoboClawを提案する。 ポリシーレベルでは、RoboClaw氏はEntangled Action Pairs(EAP)を紹介している。 デプロイ中、同じエージェントが高レベルの推論を行い、学習されたポリシープリミティブを動的にオーケストレーションして長期のタスクを遂行する。
  論文  参考訳（メタデータ） (2026-03-12T05:22:59Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)

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。