論文の概要: LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints
- arxiv url: http://arxiv.org/abs/2610.16782v2
- Date: Thu, 15 Oct 2026 09:30:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:15.904162
- Title: LIBERO-Industry: Benchmarking Robotic Manipulation under Industrial Process Constraints
- Title（参考訳）: LIBERO-Industry:産業プロセス制約下でのロボット操作のベンチマーク
- Abstract要約: フレキシブル製造における工業的操作は、変化する製品や生産条件に適応するためにロボットポリシーを必要とする。
既存の評価フレームワークは、ジェネラリストロボットポリシーを評価する際に、これらの制約を体系的に捉えない。
先述の産業制約を制御可能なタスク条件と測定可能な成功基準に変換する新しいベンチマークであるLIBERO-Industryを紹介する。
- 参考スコア（独自算出の注目度）: 33.66308647518531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial manipulation in flexible manufacturing, e.g., high-mix, low-volume (HMLV) electronics assembly, requires robot policies to adapt to changing products and production conditions. Such settings impose industrial process constraints, including product variants, moving material flows, finite execution windows, and tight geometric tolerances. However, existing evaluation frameworks do not systematically capture these constraints when assessing generalist robot policies. To address this gap, we introduce LIBERO-Industry, a novel benchmark built on the widely used robot learning benchmark LIBERO, that translates the aforementioned industrial constraints into controllable task conditions and measurable success criteria. Specifically, LIBERO-Industry comprises three classic task scenarios: Static-to-Dynamic (S2D) loading, Dynamic-to-Static (D2S) unloading, and Dynamic-to-Dynamic (D2D) transfer. The suites contain 216 tasks in total that systematically vary object geometry, conveyor speed, interaction-window duration, and geometric acceptance region size. Extensive experiments across five generalist robot policies (including vision-language-action models and world-action models) show that performance progressively degrades as industrial constraints are introduced and combined. Under a shared fine-tuning and evaluation protocol, the LIBERO-Industry co-training condition achieved higher observed target-transfer completion than the original-LIBERO condition.
- Abstract（参考訳）: フレキシブルマニュファクチャリングにおける工業的操作、例えばハイミックス、低体積(HMLV)電子組立体は、変化する製品や生産条件に適応するためにロボットポリシーを必要とする。
このような設定は、製品の変種、動く物質の流れ、有限実行ウィンドウ、厳密な幾何学的耐性を含む工業的プロセスの制約を課している。
しかし、既存の評価フレームワークは、汎用ロボットポリシーを評価する際に、これらの制約を体系的に捉えない。
このギャップに対処するために, LIBERO-Industryという, 広範に使用されているロボット学習ベンチマーク LIBERO をベースとした, 上記の産業制約を, 制御可能なタスク条件と測定可能な成功基準に変換する新しいベンチマークを導入する。
具体的には、LIBERO-Industryは、静的-動的(S2D)ロード、動的-静的(D2S)アンロード、動的-動的(D2D)転送の3つの古典的なタスクシナリオで構成されている。
スイートには216のタスクが含まれており、オブジェクトの幾何学、コンベア速度、相互作用ウィンドウの長さ、幾何学的受容領域のサイズなど、体系的に異なる。
5つの一般的なロボット政策(視覚言語行動モデルや世界行動モデルを含む)の広範な実験は、産業的制約が導入され、組み合わされるにつれて、性能が徐々に低下することを示している。
LIBERO-Industry共同訓練条件は,共有微調整・評価プロトコルにより,元のLIBERO条件よりも高い精度で達成された。
関連論文リスト
- RoboChemGym: A Protocol-Driven Generative Simulation Framework for Long-Horizon Chemical Manipulation [60.85696622722056]
ウェットラブ実験は科学的発見における仮説検証の金の標準となっている。
エージェントはこれらの面倒な作業を自動化するという約束を持っているが、彼らの開発は現実世界のトレーニングデータの不足によって妨げられている。
textbfRoboChemGymは,実世界の実験プロトコルに適合した高忠実な操作デモを自律的に生成するフレームワークである。
論文 参考訳（メタデータ） (2026-10-02T02:43:15Z) - ROS2SmolVLA: Enabling Small Vision-Language-Action Models for Integration into Industrial-Grade Lightweight Robots [0.8272083537040181]
VLA(Vision-Language-Action)モデルは、この課題を緩和する有望な機会である。
本研究では,Hugging FaceのSmolVLAを軽量ロボットに適用する。
ROS 2 から SmolVLA へのインタフェースを実装したオープンソースリポジトリ ROS2SmolVLA をリリースする。
論文 参考訳（メタデータ） (2026-08-24T14:36:52Z) - WireCraft: A Simulation Benchmark for Industrial DLO Manipulation [4.764010993599256]
我々は,産業用DLO操作の困難さと資産を考慮したシミュレーションベンチマークであるWireCraftを紹介する。
2つの相補的なDLO物理モデルをサポートし、調音および変形可能であり、軌道はシミュレーションと物理UR5の両方から得られる。
我々は、共有メトリクスに基づく強化学習(RL)、模倣学習(IL)、視覚言語行動(VLA)ポリシーをベンチマークする。
論文 参考訳（メタデータ） (2026-06-16T15:59:46Z) - SELF-VLA: A Skill Enhanced Agentic Vision-Language-Action Framework for Contact-Rich Disassembly [5.973392871392723]
視覚言語アクション(VLA)モデルは、標準的なロボット操作タスクにおいて印象的なパフォーマンスを示している。
明示的な分解スキルを統合したエージェントVLAフレームワークであるSELF-VLAを提案する。
論文 参考訳（メタデータ） (2026-03-10T22:30:28Z) - CRoSS: A Continual Robotic Simulation Suite for Scalable Reinforcement Learning with High Task Diversity and Realistic Physics Simulation [46.950823663585425]
継続的な強化学習では、エージェントは以前取得したポリシーを忘れずに一連のタスクから学ぶ必要がある。
本稿では,ガゼボシミュレータで現実的にシミュレーションされたロボットをベースとしたCRLのための新しいベンチマークスイートを提案する。
論文 参考訳（メタデータ） (2026-02-04T18:54:26Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - RobotArena $\infty$: Scalable Robot Benchmarking via Real-to-Sim Translation [47.79800816696372]
操作ポリシーの現実的なテストは、大規模に労働集約的で、再現が難しい。
既存のシミュレーションベンチマークも同様に制限されており、同じ合成ドメイン内でポリシーをトレーニングおよびテストしている。
本稿では,VLA評価を大規模にシミュレーションした拡張環境に移行することで,これらの課題を克服する新しいベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-27T17:41:38Z) - OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System [61.12400636463362]
OnePieceは、LLMスタイルのコンテキストエンジニアリングと推論を、検索モデルとランキングモデルの両方にシームレスに統合する統合フレームワークである。
OnePieceは、Shopeeの主要なパーソナライズされた検索シナリオにデプロイされ、さまざまな主要なビジネス指標で一貫したオンラインゲインを実現している。
論文 参考訳（メタデータ） (2025-09-22T17:59:07Z)
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。