論文の概要: Does Continual Imitation Learning Remain Grounded? A Language-Perturbed Benchmark for Robotic Task Retention
- arxiv url: http://arxiv.org/abs/2610.00542v1
- Date: Wed, 30 Sep 2026 18:24:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.695154
- Title: Does Continual Imitation Learning Remain Grounded? A Language-Perturbed Benchmark for Robotic Task Retention
- Title（参考訳）: 継続的模倣学習は残されているか? ロボット作業保持のための言語改良型ベンチマーク
- Abstract要約: 連続的な模倣学習は、ロボットが以前に学んだスキルを忘れずに新しい知識を学べるかどうかを評価する。
本稿では,ロボット政策が連続的なタスクを学習する際の言語指導行動の変化を研究するためのベンチマークプロトコルを提案する。
LIBEROのゴール,空間,オブジェクト,ロングスイートに対して,意味保存および意味変化のある命令バリアントを構築する。
- 参考スコア（独自算出の注目度）: 10.442792577355151
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continual imitation learning evaluates whether a robot can learn new knowledge without forgetting previously learned skills. However, retaining task performance does not ensure the behavior remains grounded in language because policies may rely on scene cues, object associations, or memorized task structure. We introduce a benchmark protocol to study how language-guided behavior changes as robotic policies learn successive tasks. We construct meaning-preserving and meaning-changing instruction variants for the Goal, Spatial, Object, and Long suites of LIBERO. Policy experiments focus on LIBERO-Goal, evaluating Original and Paraphrase instructions after each continual-learning stage. We compare representative continual imitation learning methods under their original assumptions while separating task competence from language sensitivity. The proposed diagnostics complement standard learning and forgetting metrics by measuring semantic robustness, goal adaptation, and language sensitivity. Results show that strong continual-learning performance does not always translate to reliable language grounding, and our diagnostics help determine whether retained skills remain correctly guided by their instructions. Additional materials are available at https://sites.google.com/view/stillgrounded
- Abstract（参考訳）: 連続的な模倣学習は、ロボットが以前に学んだスキルを忘れずに新しい知識を学べるかどうかを評価する。
しかしながら、タスクパフォーマンスの維持は、ポリシーがシーンキューやオブジェクトアソシエーション、記憶されたタスク構造に依存しているため、その振る舞いが言語に根ざされていることを保証しない。
本稿では,ロボット政策が連続的なタスクを学習する際の言語指導行動の変化を研究するためのベンチマークプロトコルを提案する。
LIBEROのゴール,空間,オブジェクト,ロングスイートに対して,意味保存および意味変化のある命令バリアントを構築する。
政策実験はLIBERO-Goalに焦点をあて、各連続学習段階の後に原語とパラフレーズの指示を評価する。
本研究は,タスク能力と言語感受性を分離しつつ,本来の前提下での連続的模倣学習手法の比較を行う。
提案手法は, 意味的ロバスト性, 目標適応性, 言語感受性を測定することで, 標準的な学習と忘れを補完する。
以上の結果から,強い継続学習性能が必ずしも言語基盤の信頼性に寄与するとは限らないことが示され,その指導によって保持されたスキルが正しく指導されているかどうかを診断する上で有効であることがわかった。
追加資料はhttps://sites.google.com/view/stillgrounded.comで入手できる。
関連論文リスト
- SLATE: Are AI-Generated Slides Educationally Effective? A Benchmark for Language Teaching Quality and Learner Knowledge Acquisition [12.243304149666258]
SLATEは,AIが生成する言語指導スライドを,学習者の知識獲得と教育効果を通じて評価する最初のベンチマークである。
SLATEは、言語学のオリンピアードパズルを、無視できるウェブ存在の低リソース言語から90の標準命令単位に変換する。
以上の結果から,コンテンツ妥当性は学習効果と弱い相関を示す一方,教育設計は堅牢な正の相関を示すことが明らかとなった。
論文 参考訳（メタデータ） (2026-09-05T18:14:23Z) - RoboPlayground: Democratizing Robotic Evaluation through Structured Physical Domains [19.460905215536254]
ロボット操作システムの評価は、専門家が作成した固定ベンチマークに大きく依存している。
我々は、現代的な操作ポリシーを評価するには、言語駆動のプロセスとしてのリフレーミング評価が必要であると論じる。
本稿では,自然言語を用いて実行可能な操作タスクを作成可能なフレームワークであるRoboPlaygroundを提案する。
論文 参考訳（メタデータ） (2026-04-06T22:42:05Z) - Rethinking Mutual Information for Language Conditioned Skill Discovery
on Imitation Learning [36.624923972563415]
我々はLanguage Conditioned Skill Discovery (LCSD)として知られるエンドツーエンドの模倣学習手法を提案する。
ベクトル量子化を利用して離散潜在スキルを学習し、軌跡のスキルシーケンスを活用して高レベルの意味的命令を再構築する。
提案手法は,未確認タスクに対する一般化能力の向上,スキル解釈性の向上,タスク完了の成功率の向上などを示す。
論文 参考訳（メタデータ） (2024-02-27T13:53:52Z) - Subspace Chronicles: How Linguistic Information Emerges, Shifts and
Interacts during Language Model Training [56.74440457571821]
我々は、構文、意味論、推論を含むタスクを、200万の事前学習ステップと5つのシードで分析する。
タスクや時間にまたがる重要な学習フェーズを特定し、その間にサブスペースが出現し、情報を共有し、後に専門化するために混乱する。
この結果は,モデル解釈可能性,マルチタスク学習,限られたデータからの学習に影響を及ぼす。
論文 参考訳（メタデータ） (2023-10-25T09:09:55Z) - ARNOLD: A Benchmark for Language-Grounded Task Learning With Continuous
States in Realistic 3D Scenes [72.83187997344406]
ARNOLDは、現実的な3Dシーンにおける連続状態による言語によるタスク学習を評価するベンチマークである。
ARNOLDは、オブジェクト状態の理解と継続的な目標のための学習ポリシーを含む8つの言語条件のタスクで構成されている。
論文 参考訳（メタデータ） (2023-04-09T21:42:57Z) - Sentence Representation Learning with Generative Objective rather than
Contrastive Objective [86.01683892956144]
句再構成に基づく新たな自己教師型学習目標を提案する。
我々の生成学習は、十分な性能向上を達成し、現在の最先端のコントラスト法よりも優れています。
論文 参考訳（メタデータ） (2022-10-16T07:47:46Z) - LISA: Learning Interpretable Skill Abstractions from Language [85.20587800593293]
言語条件による実演から多種多様な解釈可能なスキルを学習できる階層型模倣学習フレームワークを提案する。
本手法は, 逐次的意思決定問題において, 言語に対するより自然な条件付け方法を示す。
論文 参考訳（メタデータ） (2022-02-28T19:43:24Z) - Learning Language-Conditioned Robot Behavior from Offline Data and
Crowd-Sourced Annotation [80.29069988090912]
本研究では,ロボットインタラクションの大規模なオフラインデータセットから視覚に基づく操作タスクを学習する問題について検討する。
クラウドソースの自然言語ラベルを用いたオフラインロボットデータセットの活用を提案する。
提案手法は目標画像仕様と言語条件付き模倣技術の両方を25%以上上回っていることがわかった。
論文 参考訳（メタデータ） (2021-09-02T17:42:13Z)
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。