論文の概要: PerturBot: Breaking Shortcut Priors in Vision-Language-Action Models with Perturbative Training
- arxiv url: http://arxiv.org/abs/2610.04616v1
- Date: Sat, 03 Oct 2026 15:57:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 18:22:00.454237
- Title: PerturBot: Breaking Shortcut Priors in Vision-Language-Action Models with Perturbative Training
- Title（参考訳）: PerturBot: 摂動トレーニングによる視覚・言語・行動モデルにおけるショートカットの先行きを破る
- Abstract要約: 視覚-言語-アクション(VLA)ポリシーは、その行動を決定する証拠を無視しながら、複雑なタスクを完了することができる。
私たちはこれらの依存関係をモダリティショートカット(Modality shortcuts)と呼んでいる: 成功例の正規性は、専門家の行動を予測するのに十分な視覚的、語彙的、あるいは運動的手がかりを生み出す。
本稿では,タスク関連エビデンスをより使いやすくし,自分でもショートカットが不十分なPerturbotを提案する。
- 参考スコア（独自算出の注目度）: 54.81497176604651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A vision--language--action (VLA) policy can complete complex tasks while ignoring the evidence that should determine its actions. An object held near the wrist camera can displace the instructed target. Language and action show the same pattern: a familiar noun can trigger the operation it was paired with in training even after the verb changes, and a gripper that closed on nothing may lift anyway. We call these dependencies modality shortcuts: regularities in successful demonstrations make visual, lexical, or motor cues sufficient to predict expert actions without the task evidence needed for the underlying decision. More demonstrations of the same kind can raise task success while leaving these shortcuts intact. We propose Perturbot which makes task-relevant evidence easier to use and shortcuts insufficient on their own: it applies task-preserving wrist-view perturbations, enriches instructions with decision-relevant captions, and adds random and failed trajectory segments relabeled with the behavior they contain. It complements scaling by changing what is scaled, and leaves inference unchanged. Moreover, we propose GroundingFscore, an offline score that diagnoses how severely a policy relies on modality shortcuts. Task success rate shows whether a policy improves, while GroundingFscore reveals whether the policy scales healthily, relying on task evidence rather than shortcuts. Together, Perturbot and GroundingFscore provide a training-and-evaluation framework for disentangling VLA decisions from shortcut priors while preserving responsiveness to task-relevant evidence.
- Abstract（参考訳）: 視覚-言語-アクション(VLA)ポリシーは、その行動を決定する証拠を無視しながら、複雑なタスクを完了することができる。
手首カメラの近くに保持されている物体は、指示された目標を変位させることができる。
慣れ親しんだ名詞は、動詞が変化した後でも、訓練中にペアリングされた操作をトリガーし、何も閉じていないグリップは、いずれにせよ持ち上げることができる。
私たちはこれらの依存関係をモダリティショートカット(Modality shortcuts)と呼んでいる: 成功例の正規性が視覚的、語彙的、あるいは運動的キューを、根底にある決定に必要なタスクエビデンスなしで、専門家の行動を予測するのに十分なものにする。
同じ種類のデモがさらに増えれば、これらのショートカットをそのままにしてタスクの成功がもたらされる。
タスク保存型手首視摂動を応用し、意思決定関連キャプションによる指示を充実させ、それらが含む動作に相応しいランダムなトラジェクトリセグメントを追加し、タスク関連エビデンスをより使いやすくし、ショートカットを自力で容易に行えるようにするPerturbotを提案する。
スケールしたものを変えてスケールを補完し、推論をそのまま残します。
さらに,モダリティショートカットに依存する政策の厳しさを診断するオフラインスコアである GroundingFscore を提案する。
タスク成功率は政策が改善するかどうかを示すが、GroundingFscoreは、ショートカットではなくタスクエビデンスに頼って、ポリシーが健全にスケールするかどうかを明らかにする。
PerturbotとGroundingFscoreは共に、タスク関連エビデンスに対する応答性を保ちながら、ショートカット前のVLA決定をショートカットから切り離すためのトレーニングと評価のフレームワークを提供する。
関連論文リスト
- Encoded but Not in Control: Revealing the Grounding Gap in Vision-Language Robot Policies [39.32890254182452]
シミュレーションおよび実世界の実験において,視覚言語行動ポリシーと世界行動モデルを評価する。
以上の結果から,名目上の成功によって隠蔽された接地的ギャップが明らかとなり,診断の枠組みが確立された。
論文 参考訳（メタデータ） (2026-10-05T12:37:55Z) - When Instructions Retrieve Trajectories: Diagnosing and Mitigating Generalization Failures in VLA Models [18.16273179954973]
視覚言語アクション(VLA)モデルは、分配タスクで90%以上の成功を達成できる。
ポリシーは言語と視覚の両方に反応するが、それらを組み合わせてタスクが必要とするアクションを選択することはない。
細調整された$_0.5$とGR00T-N1.7ポリシーの振る舞い解析により、ロールアウトが失敗した場合、ソースの動作を維持したり、別のデモタスクに切り替えたりすることが多いことが明らかになった。
論文 参考訳（メタデータ） (2026-09-30T15:34:57Z) - When Do Models Admit They Are Wrong? Failure Disclosure Is Unstable Under Reinforcement Learning [28.878925811202084]
アウトカムベースの強化学習は、同様のタスクパフォーマンスを持つモデルを生成することができるが、その失敗についてコミュニケーションするまったく異なる方法がある。
我々は、失敗の開示について研究する: あるモデルが、試みられた解決策が失敗していることを認めているかどうかを、黙秘または成功として提示するよりはむしろ調査している。
論文 参考訳（メタデータ） (2026-09-27T05:01:03Z) - Critical-State RL: Diagnosing Trainable States for Multi-Turn Tool Use [54.30773141960395]
マルチターンインタラクションにおけるトレーニング可能な状態を特定するために、Critical-State RLを導入する。
それぞれの報酬がタスク成功に対するアクションの効果を捉えているかどうか、参照ポリシーよりも改善できるかどうかを評価する。
Berkeley Function Calling Leaderboard (BFCL) v4の実験では、診断選択された州でのトレーニングと代替州でのトレーニングを比較している。
論文 参考訳（メタデータ） (2026-09-21T17:57:20Z) - Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation [12.461719086222788]
視覚言語アクション(VLA)モデルは短い操作スキルを実行することができるが、長い水平手順では不安定である。
本稿では,学習したVLA制御と明示的なタスクグラフ,マルチモーダル・プロシージャ記憶を組み合わせたニューロシンボリック・フレームワークについて検討する。
論文 参考訳（メタデータ） (2026-09-04T17:14:50Z) - AutoIntervene: Calibrated Intervention for Action-Chunking Imitation Learning Policies [4.786936073180585]
アクションチャンキングビズモータポリシは、デモから学び、時間的一貫性を改善する。
デプロイ中にアクションチャンキングポリシーとオペレータ間で制御を選択的に転送するオンラインフレームワークであるAutoInterveneを提案する。
論文 参考訳（メタデータ） (2026-08-07T10:14:29Z) - TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。
本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。
我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
論文 参考訳（メタデータ） (2026-03-25T17:56:32Z) - Vision-Language Models Unlock Task-Centric Latent Actions [75.53481518882275]
本稿では、視覚言語モデル(VLM)の常識推論能力を利用して、迅速な表現を実現することを提案する。
そこで本研究では,VLMに障害を無視するよう求めれば,遅延動作の質が大幅に向上し,解離メタワールドにおける下流の成功率が最大6倍に向上することを示す。
論文 参考訳（メタデータ） (2026-01-30T08:38:59Z) - Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。
しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
論文 参考訳（メタデータ） (2024-03-01T09:01:53Z)
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。