論文の概要: PACE: Stage-Consistent Long-Horizon Robot Manipulation via Progress-Aligned Context for Execution
- arxiv url: http://arxiv.org/abs/2610.07917v1
- Date: Tue, 06 Oct 2026 07:58:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.879273
- Title: PACE: Stage-Consistent Long-Horizon Robot Manipulation via Progress-Aligned Context for Execution
- Title（参考訳）: PACE:プログレッシブ・アライメント・コンテクストによる段階連続長軸ロボットマニピュレーション
- Abstract要約: 我々は、実行の進行に応じて完全な実演を継続的に再解釈するステートフルな方法であるPACE(Progress-Aligned Context for Execution)を紹介する。
PACEは、デモを順序付けられたマルチモーダルプロンプトトークンに圧縮し、トレーニング専用のデュアルエッジ注意監視を使用して、潜伏ステージ構造を公開する。
実行中、エピソードローカルの高速メモリは、実現された動作観察遷移を因果的に符号化し、即時的相互注意を変調し、統合拡散アクションエキスパートのための進行整合コンテキストを生成する。
- 参考スコア（独自算出の注目度）: 25.899636852004488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Demonstration-conditioned policies provide a natural interface for specifying robot behavior, yet long-horizon manipulation remains difficult when visually similar states recur across different stages or when demonstrations and executions proceed at different speeds. We identify the resulting failure mode as stage confusion and introduce Progress-Aligned Context for Execution (PACE), a stateful method that continually reinterprets a complete demonstration according to realized execution progress. PACE compresses the demonstration into ordered multimodal prompt tokens and uses training-only dual-edge attention supervision to expose its latent stage structure. During execution, an episode-local fast-weight memory causally encodes realized action-observation transitions and modulates prompt cross-attention, producing a progress-aligned context for a unified diffusion action expert without test-time stage labels or stage-specific policies. PACE improves success from 88.9% to 94.0% on LIBERO-Gen Goal Chain, from 79.1% to 83.3% on Spatial Combination, and from 33.3% to 73.3% on the two-step Block Routing tasks. Failure analysis further indicates that structured demonstration alignment and causal execution memory jointly mitigate stage confusion.
- Abstract（参考訳）: 実証条件付きポリシーは、ロボットの動作を特定するための自然なインターフェースを提供するが、視覚的に類似した状態が異なる段階にまたがったり、デモや実行が異なる速度で進行する場合、長期的な操作は難しいままである。
結果の障害モードを段階的混乱として認識し,実行の進行に応じて完全な実演を継続的に再解釈するステートフルな手法であるPACEを導入する。
PACEは、デモを順序付けられたマルチモーダルプロンプトトークンに圧縮し、トレーニング専用のデュアルエッジ注意監視を使用して、潜伏ステージ構造を公開する。
実行中、エピソードローカルの高速メモリは、実現された動作観察遷移を因果的に符号化し、即時横断注意を変調し、テストタイムステージラベルやステージ固有のポリシーなしで、統合拡散アクションエキスパートのための進捗整合コンテキストを生成する。
PACEは88.9%から94.0%のLIBERO-Genゴールチェーン、79.1%から83.3%の空間結合、33.3%から73.3%の2段階のブロックルーティングタスクで成功している。
さらに、障害解析により、構造化されたデモアライメントと因果実行メモリがステージの混乱を緩和することが明らかとなった。
関連論文リスト
- What to Attend, What to Keep: Skill-Conditioned Visuotactile Representation with Progress-Guided Event Memory [53.7734456149083]
視覚と触覚を原始的なスキルのレベルでどのように組み合わせるべきかを研究する。
本稿では,モダリティ特異的な短期観察トークンを融合したスキル条件表現を提案する。
論文 参考訳（メタデータ） (2026-09-29T20:21:37Z) - Behavior-Aligned Action Tokenization for Robot Policy Learning [9.37360970873363]
自己回帰型ロボットポリシーは、観察から個別のアクショントークンを予測することによって、継続的な制御を学習する。
本研究では,対応する動作チャンクを選択し,その量子化座標を再構成とともに整列させる行動適応型行動トークン化(BAAT)を提案する。
履歴条件付き拡散復号器はこれらのトークンから連続的なアクションチャンクを再構成し、下流の自己回帰ポリシーはそれらを予測することを学ぶ。
論文 参考訳（メタデータ） (2026-09-23T08:12:03Z) - Shared Execution-Clock Drifting Policy for Dynamic Precision Manipulation [2.44955840609554]
実行リズムは、ロボットが期限前に一連の調整を完了しなければならない場合に重要である。
本稿では、実行リズムを1ステップのアクション生成の明示的な部分とする共有実行クロックドリフト(SECD)を提案する。
NVIDIA Thor を用いた 4 つの実ロボットタスクを対象としたSECD の評価を行った。
論文 参考訳（メタデータ） (2026-09-20T02:42:31Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking [37.9894332388921]
PACEは、予測チャンク自身からオンラインで実行地平線を選択する、トレーニング不要なテスト時間実行方法である。
PACEは予測されたアクションチャンクのみを使用するため、プラグアンドプレイであり、ポリシー内部への再トレーニングやアクセスは不要である。
我々はシミュレーションと実ロボット設定の両方で大規模な評価によってPACEを検証する。
論文 参考訳（メタデータ） (2026-05-30T05:11:06Z) - From Abstraction to Instantiation: Learning Behavioral Representation for Vision-Language-Action Model [76.88595728131288]
VLA(Vision-Language-Action)モデルは、分散シフト時にしばしば性能劣化に悩まされる。
時間的コヒーレントな行動表現の学習を通じて堅牢な操作を容易にするフレームワークである textbfBehaviorVLA を提案する。
RoboTwin 2.0、LIBERO、CALVINの実験では、最先端の成功率は58%、98%、および4.36(Avg.Len)である。
論文 参考訳（メタデータ） (2026-05-21T16:14:19Z) - SkiP: When to Skip and When to Refine for Efficient Robot Manipulation [50.03201984643502]
textbfSkip Policy (SkiP)は、スキップセグメントを動的に跳躍し、キーセグメントのアクションを集中的に洗練する。
emphMotion Spectrum Keying (MSK) は、動作信号から局所的な動きの複雑さを検出する高速でタスクに依存しない手順である。
実験によると、SkiPは実行ステップを15ドルから40%ほど削減し、さまざまなポリシーバックボーン間での成功率のマッチングや改善を実現している。
論文 参考訳（メタデータ） (2026-05-15T02:16:34Z) - Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。
LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。
実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
論文 参考訳（メタデータ） (2026-04-23T17:59:04Z) - Trace-Focused Diffusion Policy for Multi-Modal Action Disambiguation in Long-Horizon Robotic Manipulation [27.077503086179863]
Trace-Focused Diffusion Policy (TF-DP) は、ロボットの実行履歴にアクション生成を明示的に条件付ける拡散ベースのフレームワークである。
実世界のロボット操作作業におけるTF-DPの評価を行った。
論文 参考訳（メタデータ） (2026-02-07T06:06:43Z) - PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation [27.791908160098625]
PALMは、インタラクション中心のアベイランス推論とサブタスクプログレスキューに関するポリシー学習を構築する。
Palmはシミュレーションや実世界の実験において、一貫してベースラインを上回っている。
論文 参考訳（メタデータ） (2026-01-11T21:00:58Z) - BiKC: Keypose-Conditioned Consistency Policy for Bimanual Robotic Manipulation [48.08416841005715]
両面操作に適したキーポーズ条件の整合性ポリシーを導入する。
階層的な模倣学習フレームワークであり、ハイレベルなキープレース予測器と低レベルな軌道生成器から構成される。
シミュレーションおよび実世界の実験結果から,提案手法は成功率と運用効率の点で基準法を超越していることが示された。
論文 参考訳（メタデータ） (2024-06-14T14:49:12Z)
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。