論文の概要: Execution-Aligned Progressive Noise for Consistent Asynchronous Replanning in Generative Robot Policies
- arxiv url: http://arxiv.org/abs/2610.06090v1
- Date: Mon, 05 Oct 2026 10:24:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 18:50:46.46559
- Title: Execution-Aligned Progressive Noise for Consistent Asynchronous Replanning in Generative Robot Policies
- Title（参考訳）: 生成ロボット政策における一貫した非同期化のための実行適応進行雑音
- Abstract要約: 実行適応プログレッシブノイズは、チャンク間レベルとチャンク内レベルの両方で構造的および強靭性をもたらす。
D3IL, Kinetix, LIBERO, および実世界の操作タスクにおけるEAPNの評価を行った。
- 参考スコア（独自算出の注目度）: 10.581033593652803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous asynchronous replanning is essential for real-time generative robot policies, but independent stochastic initialization can cause mode switching and inconsistent continuation across action chunks. We propose Execution-Aligned Progressive Noise (EAPN), which introduces structured stochasticity at both inter-chunk and intra-chunk levels. Across replanning steps, EAPN propagates a shared noise trajectory and aligns it with the actual execution displacement, establishing execution-aligned inter-chunk correlation. Within each action chunk, it models temporal correlation along action time. The aligned stochastic history is further combined with committed action context to condition subsequent generation, allowing new chunks to continue from execution-consistent generative states rather than restart from independent noise. We evaluate EAPN on D3IL, Kinetix, LIBERO, and real-world manipulation tasks. EAPN improves multimodal behavior consistency on D3IL and achieves an average success rate of 88.59% on Kinetix. On LIBERO, it remains robust and maintains strong task performance even under long inference delays. Real-robot experiments further achieve 90.0% success on Object Storage and 96.7% on bimanual Cloth Folding, demonstrating reliable continuous execution under asynchronous replanning.
- Abstract（参考訳）: 連続的な非同期リプランニングは、リアルタイムな生成ロボットポリシーに不可欠であるが、独立した確率的初期化は、モード切替とアクションチャンク間の一貫性のない継続を引き起こす可能性がある。
チャンク間およびチャンク内の両方で構造的確率性を導入するEAPN(Execution-Aligned Progressive Noise)を提案する。
再計画ステップ全体にわたって、EAPNは共有ノイズ軌跡を伝搬し、実際の実行変位と整合させ、実行整合したチャンク間相関を確立する。
各アクションチャンク内では、アクション時間に沿って時間的相関をモデル化する。
整列確率履歴はさらに、コミットされた動作コンテキストと、その後の生成を条件付けることで、独立ノイズから再起動するのではなく、実行一貫性のある生成状態から新しいチャンクを継続することができる。
D3IL, Kinetix, LIBERO, および実世界の操作タスクにおけるEAPNの評価を行った。
EAPNはD3IL上でのマルチモーダル動作の一貫性を改善し、Kinetix上での平均成功率は88.59%に達する。
LIBEROでは、長い推論遅延の下でも、堅牢で、強いタスクパフォーマンスを維持します。
Real-robot実験は、オブジェクトストレージで90.0%、双方向のクロースフォールディングで96.7%、非同期リプランニングで信頼性の高い継続的実行を実証する。
関連論文リスト
- CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - SmoothRL: Online Reinforcement Learning During Asynchronous Execution [12.24698147742807]
物理的な世界でロボットポリシーをデプロイするには、信頼性とスムーズなリアルタイム実行という、2つの基本的なデシダータを満たす必要がある。
SmoothRLは、非同期推論ループ内で事前訓練されたポリシーを微調整するオンライン強化学習フレームワークである。
我々は,SmoothRLを実世界のロボットタスクに対して高い精度で評価し,非同期実行を必要とする高ダイナミックなタスクについて検討した。
論文 参考訳（メタデータ） (2026-08-30T12:56:09Z) - World Action Models in Real Time: An Empirical Study of Smooth Execution via Asynchronous Deployment [0.0]
本研究では,モデル推論とアクション実行の重なり合う戦略について検討し,応答性とスムーズな制御を実現する。
同期実行、純粋な非同期スイッチング、ポストホック動作ブレンディング、デノイング時間ブレンディング、推論時速度誘導、プレフィックス条件付き生成を含む6つの戦略を比較した。
論文 参考訳（メタデータ） (2026-08-03T08:24:36Z) - FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。
FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
論文 参考訳（メタデータ） (2026-07-27T05:10:16Z) - DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。
DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
論文 参考訳（メタデータ） (2026-04-27T23:04:03Z) - Closed-Loop Action Chunks with Dynamic Corrections for Training-Free Diffusion Policy [52.106797722292896]
我々は,チャンクベースのアクション生成とリアルタイム修正を統合した動的クローズドループ拡散ポリシーフレームワークDCDPを提案する。
動的PushTシミュレーションでは、DCDPは5%の計算しか必要とせず、再トレーニングなしに適応性を19%改善する。
論文 参考訳（メタデータ） (2026-03-02T15:04:18Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - Real-Time Robot Execution with Masked Action Chunking [38.37108371991901]
ロボットのようなサイバー物理システムにはリアルタイム実行が不可欠である。
近年,リアルタイムロボット操作のためのシステムレベルのパラダイムとして,非同期推論が登場している。
本稿では,マスクされたアクションチャンキングによって事前訓練されたポリシーの修正を学習するREMACを提案する。
論文 参考訳（メタデータ） (2026-01-27T23:48:32Z) - Real-Time Execution of Action Chunking Flow Policies [49.1574468325115]
本稿では,アクションインタラクションシステムの非同期実行を可能にする新しい推論時アルゴリズムを提案する。
これは、再トレーニングなしでボックスから実行する拡散またはVLAベースのシステムに適用できる。
その結果、RTCは高速で、性能が高く、推論操作に対して一意に堅牢であることがわかった。
論文 参考訳（メタデータ） (2025-06-09T01:01:59Z)
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。