論文の概要: ManiPhysicsBench: Physics-Based Assessment of Object Preservation in VLA Manipulation

• arxiv url: http://arxiv.org/abs/2610.02802v1
• Date: Fri, 02 Oct 2026 04:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.21119
• Title: ManiPhysicsBench: Physics-Based Assessment of Object Preservation in VLA Manipulation
• Title（参考訳）: ManiPhysicsBench: VLA操作における物体保存の物理に基づく評価
• Abstract要約: 視覚言語アクション(VLA)モデルは多様な操作タスクを実行することを目的としているが、既存の剛体ベンチマークでのタスク成功は、それらがオブジェクトを保存するかどうかを示すものではない。 ManiPhysicsZooは,文献に支えられた材料特性,3Dメッシュ,再利用可能なオブジェクトアセットへの参照をサポートする。 ManiPhysicsBenchは、3つの物理軸と3つの難易度でLIBEROとSimplerEnvのオブジェクト保存を評価する。
• 参考スコア（独自算出の注目度）: 19.2126636422131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models aim to perform diverse manipulation tasks, but task success in existing rigid-body benchmarks does not indicate whether they preserve objects. We introduce ManiPhysicsZoo, which consolidates literature-supported material properties, 3D meshes, and supporting references into reusable object assets. Using these assets, a solver-based assessment computes grasp-specific damage thresholds from object geometry, material properties, and recorded grasp conditions and compares them with recorded contact forces to assess potential deformation and fracture. Building on these components, ManiPhysicsBench evaluates object preservation in LIBERO and SimplerEnv across three physics axes and three difficulty levels. Public VLA checkpoints show a substantial gap between task success and safe success, defined as task completion while preserving the object. Their gripper commands concentrate near full opening and closure, with largely similar aggregate distributions across objects, consistent with binary gripper supervision. We examine how object-specific continuous gripper labels change model behavior by retraining a VLA model. The retrained model shows more object-dependent gripping and higher safe success, but lower task success and limited generalization of object-preserving behavior.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは多様な操作タスクを実行することを目的としているが、既存の剛体ベンチマークでのタスク成功は、それらがオブジェクトを保存するかどうかを示すものではない。 ManiPhysicsZooは,文献に支えられた材料特性,3Dメッシュ,再利用可能なオブジェクトアセットへの参照をサポートする。 これらの資産を用いて、解法に基づく評価は、物体形状、材料特性、記録された把握条件からグリップ固有の損傷閾値を計算し、記録された接触力と比較し、潜在的な変形と破壊を評価する。 ManiPhysicsBenchは、3つの物理軸と3つの難易度でLIBEROとSimplerEnvのオブジェクト保存を評価する。 パブリックなVLAチェックポイントは、タスクの成功と安全な成功の間に大きなギャップを示します。 彼らのグリップパーコマンドは、完全なオープニングとクロージャの近くに集中しており、主にオブジェクト間の集合分布が類似しており、バイナリグリップパーの監督と一致している。 VLAモデルの再学習により,オブジェクト固有の連続グリップラベルがモデル動作をどのように変化させるかを検討する。 リトレーニングされたモデルは、よりオブジェクト依存のグリップとより安全な成功を示すが、タスクの成功は低く、オブジェクト保存動作の一般化は限定的である。

関連論文リスト

• Closing the Loop in Humanoid VLA: Persistent 3D Object Tokens for Verifiable Loco-Manipulation [14.431337587744538]
  ロングホライズン・ヒューマノイド・ロコ・マニピュレーション(Long-Horizon humanoid loco-manipulation)は、ロボットが作業対象を運動、接触、回復の至る所で永続的な物理的実体として扱うことを要求する。 RGB-D観測からロールインデクシングされた3Dオブジェクトの記録を保持するemphPersistent Object Tokenization (POT)を提案する。 emphPOT-VLAとして実装され、同じオブジェクトが条件アクションの生成を記録し、幾何学的述語チェックをサポートし、クローズドループ実行システムを生成する。
  論文  参考訳（メタデータ） (2026-07-20T14:52:46Z)
• SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects [56.16187327142104]
  We present SoftVTBench, a safety-aware visuo-tactile benchmark for deformable object operation。 有限要素シミュレートされた変形可能な物体を持つアイザック・シムで構築されたSoftVTBenchは、多視点RGB観察、マーカーの動きによる触覚センシング、プロプレセプション、言語指示を提供する。
  論文  参考訳（メタデータ） (2026-07-05T11:12:29Z)
• Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation [52.61098793949261]
  障害駆動型データ拡張フレームワークであるPose6DAugを紹介します。 我々は、ポリシーの成功エピソードを、障害モードのターゲットとなるデモに変換する。 提案手法は,時間的コヒーレントな6次元ポーズ軌道によって駆動される明示的なメッシュで対象物体を固定し,直接3次元で動作させる。
  論文  参考訳（メタデータ） (2026-06-18T11:41:25Z)
• PhysQuantAgent: An Inference Pipeline of Mass Estimation for Vision-Language Models [38.21000830724267]
  視覚言語モデル(VLM)を用いた実世界の物体質量推定フレームワークPhysQuantAgentを提案する。 本稿では,対象物のサイズや内部構造を理解するために,対象物の検出,スケール推定,断面画像生成によって入力画像を強化する3つの視覚的プロンプト手法を提案する。 実験の結果,視覚的プロンプトにより実世界のデータに対する質量推定精度が大幅に向上し,空間推論とVLM知識の統合の有効性が示唆された。
  論文  参考訳（メタデータ） (2026-03-17T02:35:36Z)
• From Perception to Action: An Interactive Benchmark for Vision Reasoning [51.11355591375073]
  Causal Hierarchy of Actions and Interactions (CHAIN)ベンチマークは、モデルが物理的制約に基づいて構造化されたアクションシーケンスを理解し、計画し、実行できるかを評価するために設計された。 CHAINは、受動的知覚からアクティブな問題解決、機械パズルのインターロックや3D積み重ね、パッキングといったタスクへと評価をシフトする。 以上の結果から,トップパフォーマンスモデルでは,物理構造や因果制約の内在化に苦慮し,信頼性の高い長期計画の作成に失敗することが多く,認識された構造を効果的に翻訳することができないことが示唆された。
  論文  参考訳（メタデータ） (2026-02-24T15:33:02Z)
• IAAO: Interactive Affordance Learning for Articulated Objects in 3D Environments [56.85804719947]
  IAAOは知的エージェントのための明示的な3Dモデルを構築するフレームワークで,対話を通して環境内の明瞭な物体の理解を得る。 マスク特徴とビュー一貫性ラベルを多視点画像から抽出し,まず3次元ガウススティング(3DGS)を用いて各オブジェクト状態の階層的特徴とラベルフィールドを構築する。 次に、3Dガウスプリミティブ上でオブジェクトと部分レベルのクエリを実行し、静的および明瞭な要素を識別し、大域的な変換と局所的な調音パラメータをアベイランスとともに推定する。
  論文  参考訳（メタデータ） (2025-04-09T12:36:48Z)
• Collaborative Learning for 3D Hand-Object Reconstruction and Compositional Action Recognition from Egocentric RGB Videos Using Superquadrics [31.819336585007104]
  境界ボックスに対する3次元オブジェクト表現の代替としてスーパークワッドリックを活用することを提案する。 テンプレートレスオブジェクト再構成とアクション認識の両タスクで有効性を示す。 また,動詞と名詞の訓練組み合わせがテスト分割と重複しない,より困難な課題を考慮し,行動の構成性についても検討した。
  論文  参考訳（メタデータ） (2025-01-13T07:26:05Z)
• Fixing Malfunctional Objects With Learned Physical Simulation and Functional Prediction [158.74130075865835]
  機能不全な3Dオブジェクトが与えられたら、人間はその機能を推論し、どのように修正するかを理解するために精神シミュレーションを行うことができる。 人間の心的シミュレーションプロセスの模倣として,知覚と物理力学をシームレスに組み込んだ新しいフレームワークであるFixNetを提案する。
  論文  参考訳（メタデータ） (2022-05-05T17:59:36Z)

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。