論文の概要: Instance-anchored interaction evidence: Grounding robot plans in human pointing and handling
- arxiv url: http://arxiv.org/abs/2610.12157v1
- Date: Thu, 08 Oct 2026 15:37:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.122394
- Title: Instance-anchored interaction evidence: Grounding robot plans in human pointing and handling
- Title（参考訳）: ケース・アンコールによるインタラクションの証拠:人間の指さしとハンドリングにおける接地ロボット計画
- Abstract要約: 事例アンコレッド相互作用エビデンス(IAE)を提案する。
IAEは最終シーンのすべてのオブジェクトをその公開識別子に登録する。
タスク結果のみからトレーニングされたエビデンスネットワークがインスタンスをスコアする。
- 参考スコア（独自算出の注目度）: 14.14077204051717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robot that assists people must often act on what a person has shown rather than said: which of several identical cartons was pointed at, or which box was handled. The plan is executed from the final scene, whereas the evidence occurs earlier, possibly on objects that have since moved. We propose instance-anchored interaction evidence (IAE), which registers every object of the final scene to its public identifier, keeps each identity through the video by backward mask propagation, and describes every frame by the geometry between hands, forearms and these instances. An evidence network trained only from task outcomes scores the instances. For pointing tasks, a grammar-constrained dynamic program trained with a structured loss decodes object-destination programs; symbolic programs handle reference disambiguation and, without learning, episodic tasks. On 1,255 WatchAct benchmark requests, scored by symbolic execution, IAE reaches 64.2% plan success on implicit-intent tasks against 27.5% for a 32B vision-language model (strict success 49.7% against 15.4%), and 46.4% against 27.0% on restoration, reversal and imitation without task-specific training. Controls with the same perception overlays, the same 32 frames, forward tracking, or a relation model trained on the same labels do not explain the gain. Given IAE's evidence as text with its meaning explained, the same language model reaches 57.4%: most of the gain comes from the instance-anchored evidence, and the explicit programs add 6.8 points at a fraction of the cost. Pointing remains the hardest case, with 16.9% strict success. The code is available at https://github.com/WeiZhou96/iae-watchact.
- Abstract（参考訳）: 人を助けるロボットは、人が言ったことではなく、何を示すか、同じカルトンが指さされたか、どのボックスが処理されたか、といったことに対して行動しなければならない。
計画は最終シーンから実行されますが、証拠はもっと早く発生します。
我々は,最終シーンのすべてのオブジェクトをその公開識別子に登録し,裏面のプロパゲーションによるビデオを通して各アイデンティティを保存し,手,前腕,これらのインスタンス間の幾何学によるすべてのフレームを記述するインスタンスアンコール相互作用エビデンス(IAE)を提案する。
タスク結果のみからトレーニングされたエビデンスネットワークがインスタンスをスコアする。
タスクを指し示すために、構造化損失で訓練された文法制約された動的プログラムは、対象決定プログラムをデコードし、シンボリックプログラムは参照の曖昧さを処理する。
1,255 WatchActベンチマーク要求では、IAEは暗黙的なタスクで64.2%、32B視覚言語モデルで27.5%(限定的な成功率49.7%、15.4%)、復元、逆転、模倣で46.4%に達した。
同じ知覚オーバーレイ、同じ32フレーム、フォワードトラッキング、あるいは同じラベルでトレーニングされた関係モデルを持つ制御は、利得を説明できない。
IAEのテキストとしての証拠が説明されていることを踏まえると、同じ言語モデルは57.4%に達する。
ポイントは依然として最も難しいケースであり、16.9%が厳格に成功している。
コードはhttps://github.com/WeiZhou96/iae-watchact.comで公開されている。
関連論文リスト
- Keep the Effect, Drop the Actor: Programmable Effect-to-Execution World-Action Models [7.9328487827078975]
PEWAMは、独立したフローマッチング時間を持つ4つのストリームとして、エフェクト、ロボット実行、アクション、端末状態を生成する。
保持されたLIBERO-Goalタスクでは、デモのプログラムが90エピソード中40エピソードを完了し、同じバックボーンがゴールイメージまたは言語を与え、デモ条件付きメソッドを発行する。
プログラムは座標の集合であるので、人はそれを編集できる。配置はシフトした端末状態に従い、グリップは回転した接触点で回転する。
論文 参考訳（メタデータ） (2026-10-01T19:25:04Z) - Beyond the Current Scene: Event-Referential Grasping with Active View Selection [58.13862796903706]
ゼロショットロボット把握システムであるBeyondSCeを紹介する。
システムは、要求されたオブジェクトまたは部分を特定し、それを把握するためにローカライズする。
達成率76%、達成目標77%を達成している。
論文 参考訳（メタデータ） (2026-09-30T09:27:02Z) - LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks [52.045695649147966]
クロスタスク再利用のための検索可能な原子-作用レキシコンを提案する。
グローバルかつ詳細なコードブックは、共有インタラクション構造ときめ細かい実行のバリエーションをキャプチャする。
視覚-原子的行動アライメントは、視覚状態変化からの軌道再構成と、行動コードからの視覚的結果予測を結合する。
論文 参考訳（メタデータ） (2026-09-29T05:45:52Z) - RoboFind: Multi-Agent Personalized Object Search for People Who Are Blind or Have Low Vision [49.05749155803252]
ブラインドやロービジョンのユーザは、同じカテゴリの任意のインスタンスではなく、特定のパーソナルオブジェクトを見つける必要があることが多い。
スマートフォンがターゲットを教え、四足歩行ロボットが検索を行うマルチエージェントフレームワークであるRoboFindを提案する。
32回の実際のロボットミッションで、RoboFindは85.0%成功し、25.0%が再建されたシーケンシャルファーストストップベースラインである。
論文 参考訳（メタデータ） (2026-09-17T13:04:23Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - RefGuard: Identity-Aware Language-Guided Robot Manipulation via Joint Target-Anchor-Frame Grounding [11.774477485982958]
RefGuardは、3変数すべてに対して共同で後続を維持することでコミットメントを遅らせるフレームワークである。
実際のUF850アームでは、RefGuardは曖昧性ストレストライアルではIDスイッチを記録せず、その90.0%で正しく実行される。
3200エピソードの手続きスイートでは、ターゲットの前にアンカーとフレームにコミットするアブレーションにおいて、解決可能な命令の正しい実行を56.6%から80.5%に引き上げている。
論文 参考訳（メタデータ） (2026-09-05T18:39:50Z) - WatchAct: A Benchmark for Behavior-Grounded Robot Manipulation [49.31386176285509]
WatchActは、観察された人間の行動に基づくロボット操作のベンチマークである。
WatchActは4つの機能ドメインで14タスクにわたる3,000のロングホライゾンインスタンスで構成されている。
シミュレーションとFranka Research 3ロボットの両方で、現在のシステムはWatchActの解決には程遠い。
論文 参考訳（メタデータ） (2026-06-24T23:13:56Z) - Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。
マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。
LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-10T23:56:01Z)
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。