論文の概要: IronMan: Information-Constrained Video-Action Learning for Robot Manipulation
- arxiv url: http://arxiv.org/abs/2610.07961v1
- Date: Tue, 06 Oct 2026 08:30:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.898382
- Title: IronMan: Information-Constrained Video-Action Learning for Robot Manipulation
- Title（参考訳）: IronMan:ロボット操作のための情報制約付きビデオアクション学習
- Abstract要約: IronManは、情報ボトルネックの原則に基づいて構築されたビデオアクション学習フレームワークである。
ノイズの多いワンステップビデオ機能をコンパクトな世界表現に蒸留する、ダイナミックス対応のボトルネックを採用している。
LIBEROで99.0%、RoboTwin clean2cleanで79.4%の成功率を記録し、評価されたベースライン全てを上回っている。
- 参考スコア（独自算出の注目度）: 44.213569736357165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video Action Models (VAMs) couple visual dynamics modeling with action generation for robot manipulation. However, video representations are not naturally suited to action generation, as exposing the action policy to excessive visual detail can impair its generalization ability. Therefore, we introduce IronMan (Information-constRained videO-actioN learning for robot MANipulation), a robust video-action learning framework built on the information bottleneck principle. The core principle of this framework is to impose information constraints that suppress irrelevant visual information while preserving action-relevant dynamics cues. IronMan employs a dynamics-aware bottleneck that distills noisy, entangled one-step video features into compact world representations. Extensive simulation and real-world experiments demonstrate strong in-distribution (ID) performance and out-of-distribution (OOD) robustness while maintaining efficient inference. IronMan achieves success rates of 99.0% on LIBERO and 79.4% on RoboTwin clean2clean, outperforming all the evaluated baselines. Under OOD shifts, IronMan achieves a success rate of 79.1% on LIBERO-Plus, exceeding the strongest baseline by 10.4 percentage points. Project page: https://youngsoul0731.github.io/ironman-project-page/
- Abstract（参考訳）: ビデオアクションモデル(VAM)は、ロボット操作のためのアクション生成と視覚力学モデリングを結合する。
しかし、ビデオ表現はアクション生成に自然に適していないため、過剰な視覚的詳細へのアクションポリシーの露出は、その一般化能力を損なう可能性がある。
そこで我々は,アイアンマン(Information-constRained videO-actioN learning for Robot MANipulation)を紹介した。
このフレームワークの中核となる原理は、アクション関連力学を保ちながら、無関係な視覚情報を抑制する情報制約を課すことである。
IronManは、ノイズの多いワンステップビデオ機能をコンパクトな世界表現に蒸留する、ダイナミックス対応のボトルネックを採用している。
大規模シミュレーションと実世界の実験は、効率的な推論を維持しつつ、強い分布内(ID)性能と分布外(OOD)堅牢性を示す。
IronMan は LIBERO で99.0%、RoboTwin clean2clean で79.4% を達成し、評価されたベースラインを全て上回っている。
OODシフトの下では、IronManはLIBERO-Plusで79.1%の成功率を記録し、ベースラインを10.4ポイント上回っている。
プロジェクトページ:https://youngsoul0731.github.io/ironman-project-page/
関連論文リスト
- ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training [93.39352617578857]
大規模ビデオから一般化可能なワールドアクションモデルを学ぶためのフレームワークであるZimaBlueを紹介した。
ZimaBlueは3段階のトレーニングカリキュラムに従っており、まず大規模な人間とロボットの自我中心のビデオで因果的エンボディドビデオの事前トレーニングを行う。
ZimaBlueはさらに複数のベンチマークで高いパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-08-31T18:09:52Z) - ViPRA: Video Prediction for Robot Actions [33.310474967770894]
我々は、アクションレスビデオから連続ロボット制御を学ぶためのフレームワークViPRA(Video Prediction for Robot Actions)を提案する。
アクションを直接予測する代わりに、将来の視覚的観察と動き中心の潜伏行動の両方を予測するためにビデオ言語モデルを訓練する。
下流制御では,潜時動作をロボット固有の連続動作シーケンスにマッピングするチャンクフローマッチングデコーダを導入する。
論文 参考訳（メタデータ） (2025-11-11T01:33:03Z) - Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。
PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。
ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
論文 参考訳（メタデータ） (2025-08-13T13:54:51Z) - AMPLIFY: Actionless Motion Priors for Robot Learning from Videos [29.799207502031496]
AMPLIFYは,大規模ビデオデータを活用する新しいフレームワークである。
我々は、豊富なアクションフリービデオでフォワードダイナミクスモデルを訓練し、限られたアクションラベル付き例で逆ダイナミクスモデルを訓練する。
下流の政策学習において、我々のダイナミクス予測は、低データのレシエーションにおいて1.2-2.2倍の改善を実現し、アクションフリーなヒューマンビデオから学ぶことで平均1.4倍の改善を実現し、非配布アクションデータからLIBEROタスクへの第1次一般化を可能にした。
論文 参考訳（メタデータ） (2025-06-17T05:31:42Z)
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。