論文の概要: The Human--VLA Communication Gap: What Humans Leave Implicit and What Policies Cannot Recover

• arxiv url: http://arxiv.org/abs/2610.17746v1
• Date: Tue, 13 Oct 2026 05:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:24:53.150755
• Title: The Human--VLA Communication Gap: What Humans Leave Implicit and What Policies Cannot Recover
• Title（参考訳）: 人間とVLAのコミュニケーションギャップ:人間が残すもの、そして回復できないもの
• Abstract要約: 目的を自然に表現する方法を特徴付け、同じ物理タスクの制御された変種を評価する。 我々の研究は、人間がタスクが大きくなるにつれて命令を圧縮し、文脈的接地と暗黙的な実行構造に依存していることを示している。 これらの知見は、人間中心の政策学習と、人間の目的をロボットの行動に橋渡しするインターフェースの具体的目標を明らかにした。
• 参考スコア（独自算出の注目度）: 11.498653203229834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A robot may know how to perform a task yet fail when a human asks for it naturally. We study this human--VLA communication gap by separating an \emph{information gap}, where task semantics, grounding, or event structure remain unresolved, from a residual \emph{execution gap}, where even a fully specified task depends on how it is organized and invoked. To do this, we characterize how people naturally express demonstrated objectives and evaluate controlled variants of the same physical tasks, with detailed analysis on $π_{0.5}$ and consistent trends on $π_0$-FAST and Cosmos3-Edge. Our study reveals that humans increasingly compress instructions as tasks grow, relying more on contextual grounding and implicit execution structure. Current policies are misaligned with this behavior: they tolerate grounding dependence relatively well, but struggle when task semantics or event structure must be reconstructed. Even after the information gap is resolved, execution remains sensitive to command granularity and invocation state. These findings identify concrete targets for human-centered policy learning and interfaces that better bridge natural human objectives to robot behavior. Project website: https://commgap.github.io/.
• Abstract（参考訳）: ロボットは、人間が自然にタスクを要求すると、タスクを実行する方法を知っていても失敗するかもしれない。 本研究では,タスクのセマンティクス,グラウンド,イベント構造が未解決のままである「emph{information gap」と,完全に指定されたタスクであっても,その編成や実行方法に依存している「emph{execution gap」とを分離して,この人間-VLAコミュニケーションギャップについて検討する。 そこで本研究では,目的を自然に表現し,同じ物理タスクの制御された変種を評価する方法として,$π_{0.5}$と$π_0$-FAST,Cosmos3-Edgeに関する一貫した傾向を詳細に分析した。 我々の研究は、人間がタスクが大きくなるにつれて命令を圧縮し、文脈的接地と暗黙的な実行構造に依存していることを示している。 しかし、タスクの意味論やイベント構造が再構築される必要がある場合、それは困難である。 情報ギャップが解決された後も、実行はコマンドの粒度や呼び出し状態に敏感である。 これらの知見は、人間中心の政策学習と、人間の目的をロボットの行動に橋渡しするインターフェースの具体的目標を明らかにした。 プロジェクトウェブサイト:https://commgap.github.io/.com

関連論文リスト

• Persistent LLM Orchestration of Heterogeneous Robot Teams via Partial Delegation to Multi-Agent Protocols [21.44318648437365]
  自然言語の仕様により、非専門家のタスクロボットチームが作業できるようになり、大きな言語モデル(LLM)は、そのようなセマンティックな仕様を異種チームのための計画に基礎付けるのに効果的であることが証明された。 既存のアプローチでは、終了するミッションと未知の環境は変化しないが、両方の仮定は多くの新興アプリケーションで失敗する。 LLMオーケストレータがこの設定で壊れる3つの方法を特定し、そのプロンプトはバウンドなしで成長し、エージェントやターゲットが蓄積するにつれて劣化し、一度検索空間をカバーした後、アクティブにモニタリングを停止する。
  論文  参考訳（メタデータ） (2026-10-10T23:32:04Z)
• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• HINT: Human-Intent Inception for Long-Horizon Robot Manipulation [11.55318573740128]
  HINT(Human-INTent INcepTion)は,人間の操作原理に触発されたエージェントフレームワークである。 HINTは2つの基本方針にまたがって、意図の理解、タスクの進捗、エンドツーエンドの成功を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2026-09-02T14:26:30Z)
• Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
  テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。 我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。 RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
  論文  参考訳（メタデータ） (2026-08-26T17:59:34Z)
• Prepare Before You Act: Learning From Humans to Rearrange Initial States [4.637185817866919]
  イミテーション学習(IL)は、幅広い操作タスクで有効であることが証明されている。 本稿では,初期状態を取り,オブジェクトのポーズを自律的に修正するアルゴリズムReSETを提案する。
  論文  参考訳（メタデータ） (2025-09-22T17:18:52Z)
• ThinkBot: Embodied Instruction Following with Thought Chain Reasoning [66.09880459084901]
  EIF(Embodied Instruction following)は、複雑な環境下でオブジェクトを相互作用させることで、エージェントが人間の指示を完了させる。 我々は,人間の指導における思考連鎖を原因とした思考ボットを提案し,その不足した行動記述を復元する。 私たちのThinkBotは、成功率と実行効率の両面で、最先端のEIFメソッドよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2023-12-12T08:30:09Z)
• Quantifying Assistive Robustness Via the Natural-Adversarial Frontier [40.125563987538044]
  RIGIDは、ロボット報酬の最小化と人間の行動とをトレードオフする対人政策の訓練方法である。 補助ギムタスクでは、RIGIDを用いて、標準的な協調強化学習のパフォーマンスを分析する。 また,フロンティアのRIGIDを,専門家の対人インタラクションで特定された障害と,ユーザインタラクション中に自然に発生する障害とを比較した。
  論文  参考訳（メタデータ） (2023-10-16T17:34:54Z)
• Learning Language-Conditioned Robot Behavior from Offline Data and Crowd-Sourced Annotation [80.29069988090912]
  本研究では,ロボットインタラクションの大規模なオフラインデータセットから視覚に基づく操作タスクを学習する問題について検討する。 クラウドソースの自然言語ラベルを用いたオフラインロボットデータセットの活用を提案する。 提案手法は目標画像仕様と言語条件付き模倣技術の両方を25%以上上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-09-02T17:42:13Z)
• Semantic-Based Explainable AI: Leveraging Semantic Scene Graphs and Pairwise Ranking to Explain Robot Failures [18.80051800388596]
  より一般化可能なセマンティックな説明フレームワークを導入する。 我々のフレームワークは、シーン内の意味情報を自律的にキャプチャして、意味記述的な説明を生成する。 以上の結果から,これらの意味記述的説明は,障害の特定と回復支援を両立する日常的ユーザの能力を大幅に向上させることが示唆された。
  論文  参考訳（メタデータ） (2021-08-08T02:44:23Z)

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。