論文の概要: PhasePlan: Ordered Future-Phase Planning for Robot Brain Models

• arxiv url: http://arxiv.org/abs/2609.39970v1
• Date: Wed, 30 Sep 2026 15:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.979642
• Title: PhasePlan: Ordered Future-Phase Planning for Robot Brain Models
• Title（参考訳）: PhasePlan: ロボット脳モデルのための今後の計画
• Abstract要約: ロボット脳モデルのための順序付き将来の計画法である。 我々は、事前訓練された$_0.5$とAcrossWAM1.0ロボット脳モデルに基づいて、メソッドをインスタンス化する。 元々の$_0.5$モデルと比較して、オフラインのジョイントアクションエラーを約22.5%削減する。
• 参考スコア（独自算出の注目度）: 13.944727570251258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot brain models integrate vision, language, and robot state to generate actions for complex manipulation tasks. Most predict fixed-length action chunks that may span multiple task phases. This can obscure phase transitions and favor frequent action patterns, compromising action timing in dynamic environments. We propose \method, an ordered future-phase planning method for robot brain models. From current multimodal observations, it predicts the task phase at each future action position. The resulting planning representations condition the corresponding actions, preserving temporal alignment between task progress and action generation. Training first learns the planner, then freezes it during action-model adaptation to maintain stable phase representations. We instantiate \method on pretrained $π_{0.5}$ and AcrossWAM1.0 robot brain models. Detailed quantitative evaluation uses the $π_{0.5}$ implementation. On conveyor-belt manipulation, \method reduces offline joint-action error by approximately 22.5\% relative to the original $π_{0.5}$ model. It also improves phase-transition modeling and cross-phase action prediction. These results demonstrate the value of ordered future-phase planning for continuous action generation.
• Abstract（参考訳）: ロボット脳モデルでは、視覚、言語、ロボットの状態を統合し、複雑な操作タスクのためのアクションを生成する。 たいていの場合、複数のタスクフェーズにまたがる固定長のアクションチャンクを予測します。 これは相転移を曖昧にし、頻繁なアクションパターンを好んで、動的環境におけるアクションのタイミングを悪化させる。 そこで我々は,ロボット脳モデルのための順序付き将来の計画手法である‘method’を提案する。 現在のマルチモーダル観測から、将来の行動位置ごとにタスクフェーズを予測する。 結果として得られた計画表現は、タスクの進捗とアクション生成の間の時間的アライメントを保ち、対応するアクションを条件付ける。 トレーニングはまずプランナーを学び、次にアクションモデル適応中にそれを凍結し、安定したフェーズ表現を維持する。 我々は、事前訓練された$π_{0.5}$とAcrossWAM1.0ロボット脳モデル上で \method をインスタンス化する。 詳細な定量的評価は、$π_{0.5}$実装を使用する。 コンベアベルト操作では、オリジナルの$π_{0.5}$モデルと比較してオフラインの関節動作誤差を約22.5\%削減する。 また、相転移モデリングと相間動作予測を改善している。 これらの結果は、連続行動生成のための順序付き将来の計画の価値を示す。

関連論文リスト

• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• Closed-Loop Long-Horizon Robotic Planning via Equilibrium Sequence Modeling [21.45039811922009]
  我々は、均衡に達するまで計画案を反復的に洗練する自己精製スキームを提唱する。 効率的なクローズドループ計画のためのネスト型平衡系列モデリング手法を考案した。 提案手法はVirtualHome-Envベンチマークで評価され,スケーリングw.r.t.推論時間計算の改善による高度な性能を示す。
  論文  参考訳（メタデータ） (2024-10-02T11:42:49Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)

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。