論文の概要: ProAct-VLM: Pre-Failure Vision-Language Task Replanning with Continuous Perception Feedback

• arxiv url: http://arxiv.org/abs/2609.37681v1
• Date: Tue, 29 Sep 2026 14:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.628082
• Title: ProAct-VLM: Pre-Failure Vision-Language Task Replanning with Continuous Perception Feedback
• Title（参考訳）: ProAct-VLM: 継続的知覚フィードバックによる事前ビジョンランゲージタスクのリプレーニング
• Abstract要約: 長期のロボットタスクは、予期せぬ環境変化に対して脆弱である。 従来のルールベースの意思決定パイプラインは、オープンワールド環境では不安定である。 ProAct-VLMは、適応的で物理的に基盤付けられたタスク計画フレームワークである。
• 参考スコア（独自算出の注目度）: 1.6590770361612988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon robotic tasks are vulnerable to unexpected environmental changes that can render planned actions ineffective or unsafe. To address this, robots must detect such changes as they occur, interpret their impact, and adjust their actions accordingly. Traditional rule-based decision-making pipelines are brittle in open-world conditions, as they are hand-tuned for specific scenarios and lack generalization. Vision-Language Models (VLMs) offer a promising alternative as they combine broad world knowledge with unified visual--text reasoning, enabling them to generalize across diverse scenarios and generate accurate, grounded task plans. However, for effective deployment in dynamic real-world settings, VLMs must be embedded into frameworks capable of handling uncertainty and environmental changes. Existing frameworks broadly address this reactively, triggering replanning only after execution failures or post-task checks, risking failed actions. Some methods verify conditions before actions, but these discrete checks miss changes occurring during execution. To address this, we present ProAct-VLM, an adaptive, physically grounded task planning framework that integrates VLMs within a real-time perception--feedback loop. ProAct-VLM continuously monitors the environment and re-plans as soon as relevant changes are detected, enabling adaptation before failure occurs. Evaluations against multiple baselines and across different VLM backbones show that our framework improves both success rates and efficiency in dynamic, long-horizon manipulation tasks. Project page: https://github.com/moured/ProAct-VLM
• Abstract（参考訳）: ロングホライゾンのロボットタスクは予期せぬ環境変化に弱いため、計画された行動は効果的でも安全でもない。 これを解決するためには、ロボットはそのような変化を検知し、その影響を解釈し、それに応じて行動を調整する必要がある。 従来のルールベースの意思決定パイプラインは、特定のシナリオのために手作業で調整され、一般化が欠如しているため、オープンワールド環境では脆弱である。 VLM(Vision-Language Models)は、幅広い世界の知識と統一されたビジュアルテキスト推論を組み合わせることで、様々なシナリオをまたいで一般化し、正確な基底タスク計画を生成する、有望な代替手段を提供する。 しかし、動的な実世界の環境に効果的に配置するには、VLMを不確実性や環境変化を処理できるフレームワークに組み込まなければならない。 既存のフレームワークは、これをリアクティブに対処し、実行障害やタスク後チェック後にのみ再計画し、失敗するアクションのリスクを発生させる。 いくつかのメソッドはアクションの前に条件を検証するが、これらの離散チェックは実行中に発生する変更を見逃す。 そこで我々は,VLMをリアルタイムの知覚フィードバックループに統合した適応的,物理的に基盤付けられたタスク計画フレームワークProAct-VLMを提案する。 ProAct-VLMは、関連する変更が検出されると、環境と再計画を継続的に監視し、障害が発生する前に適応を可能にする。 複数のベースラインと異なるVLMバックボーンに対する評価は、我々のフレームワークが動的で長期の操作タスクの成功率と効率の両方を改善していることを示している。 プロジェクトページ: https://github.com/moured/ProAct-VLM

関連論文リスト

• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Breaking Planner Integrity Boundary: Enviroment State-Text Injection Attack on LLM-Driven Embodied Agents [19.561832878935505]
  本稿では,大規模言語モデル(LLM)駆動型エンボディエージェントに対する環境状態テキストインジェクション(ESTI)攻撃について紹介する。 ESTIは、敵の目的を現在の環境と互換性のある偽の状態証拠として再構成する。 ESTIは既存のベースラインを一貫して上回り、計画レベルと実行レベルの攻撃成功率をそれぞれ89.32%、43.69%改善している。
  論文  参考訳（メタデータ） (2026-08-17T17:02:07Z)
• Autonomous Adversary: Red-Teaming in the age of LLM [1.4302803674538154]
  言語モデルエージェント(LMA)は、レッドチーム操作を増強するための強力なプリミティブとして現れている。 我々は、これらのエージェントが中核攻撃機能とどのように交わるかを分析し、現在の強度と限界を評価する。 制御された対向エミュレーション環境における2つの横移動シナリオのLMAをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-07T16:07:41Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
  PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。 本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T12:14:29Z)
• AttackVLA: Benchmarking Adversarial and Backdoor Attacks on Vision-Language-Action Models [60.39655329875822]
  VLA(Vision-Language-Action)モデルは、ロボットが自然言語の命令を解釈し、多様なタスクを実行することを可能にするモデルである。 このようなモデルを攻撃することへの関心は高まっているが、既存の手法の有効性は依然として不明である。 我々はVLA開発ライフサイクルに合わせて統合されたフレームワークであるAttackVLAを提案する。
  論文  参考訳（メタデータ） (2025-11-15T10:30:46Z)
• Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
  本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。 AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
  論文  参考訳（メタデータ） (2025-08-15T07:48:51Z)
• A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees [1.3481665321936716]
  本稿では,リアクティブプランナであるVLM(Vision-Language Models)とBT(Behavior Trees)を組み合わせて,リアルタイムの障害処理を実現する,統合された障害復旧フレームワークを提案する。 当社のアプローチには、実行前の潜在的な障害をチェックする事前実行検証と、実行中の障害を検出し修正するリアクティブ障害処理が含まれている。 我々は、ペグ挿入、オブジェクトソート、引き手の配置といったタスクにおいて、ABB YuMiロボットを用いた実世界の実験を通して、我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-03-19T13:40:56Z)

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。