論文の概要: ForkCast: Predictive Recovery for Vision-Language-Action Policies via Counterfactual Futures

• arxiv url: http://arxiv.org/abs/2610.18650v1
• Date: Tue, 13 Oct 2026 16:13:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:20:02.17477
• Title: ForkCast: Predictive Recovery for Vision-Language-Action Policies via Counterfactual Futures
• Title（参考訳）: ForkCast: 現実的未来を通したビジョンランゲージ・アクション・ポリシーの予測的回復
• Abstract要約: ビジョン言語アクション(VLA)ポリシーは、カメライメージと言語命令を使用して操作タスクを実行する。 ForkCastは,凍結したVLAポリシに介入するかどうかを判断するために,対物的未来を比較する予測的リカバリフレームワークである。
• 参考スコア（独自算出の注目度）: 14.733098145733756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies perform manipulation tasks using camera images and language instructions, but object slip or visual occlusion can disrupt execution. Recovery is typically learned during policy training or delegated to a monitor that triggers a scripted repair after detecting a failure. We introduce ForkCast, a predictive recovery framework that compares counterfactual futures to determine whether and how to intervene in a frozen VLA policy. At each decision point, ForkCast evaluates three candidates: executing the policy's nominal action chunk (Commit), adjusting the camera viewpoint (Reobserve), and replanning the arm trajectory (Replan). A candidate-conditioned world model forecasts the latent outcome of each candidate at a common future horizon, and a shared task-progress head scores the predicted outcomes. By evaluating the policy's own continuation alongside the repair candidates, a single comparison based on task progress determines both whether and how to intervene, without a failure detector, an intervention threshold, or updates to the VLA backbone. On five simulated RoboTwin 2.0 tasks with injected occlusion and object slip, ForkCast increases pooled success from 13.3% for the frozen $π_{0.5}$ policy to 30.0% and transfers to two additional VLA backbones without updating ForkCast. After adaptation on real-robot candidate rollouts, ForkCast also improves success over the base policy under both clean and visibility-limited conditions. Code will be released to benefit the research community.
• Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは、カメライメージと言語命令を使用して操作タスクを実行するが、オブジェクトスリップやビジュアルオクルージョンは実行を妨害する可能性がある。 回復は通常、ポリシートレーニング中に学習されるか、障害を検出した後、スクリプト化された修復をトリガーするモニターに委譲される。 ForkCastは,凍結したVLAポリシに介入するかどうかを判断するために,対物的未来を比較する予測的リカバリフレームワークである。 各決定ポイントにおいて、ForkCastはポリシーの命名的アクションチャンクの実行(コミット)、カメラの視点の調整(Reobserve)、腕の軌道の計画(Replan)の3つの候補を評価する。 候補条件付き世界モデルは、各候補の遅れた結果を、共通の将来の地平線で予測し、共有タスクプログレスヘッドは予測結果をスコアする。 修正候補と共にポリシー自体の継続を評価することで、タスク進捗に基づく単一の比較が、障害検知器、介入しきい値、VLAバックボーンのアップデートなしで、介入する方法のいずれかを決定する。 インジェクトオクルージョンとオブジェクトスリップを備えた5つのシミュレーションされたRoboTwin 2.0タスクにおいて、ForkCastは、凍結された$π_{0.5}$ポリシーの13.3%から30.0%に、ForkCastを更新せずに2つの追加のVLAバックボーンに転送する成功率を高めた。 実際のロボット候補のロールアウトに適応した後、ForkCastはクリーンかつ可視性に制限された条件下でのベースポリシーよりも成功率を向上させる。 研究コミュニティに利益をもたらすために、コードはリリースされます。

関連論文リスト

• Commit While Futures Agree: Consequence-Aware Adaptive Action Chunking for Robot Manipulation [25.084703288229203]
  アクションチャンキングポリシは、マルチステップ制御シーケンスを予測しますが、再計画する前に、予測されるアクションチャンクのどのくらいをコミットすべきなのでしょうか? 本稿では、予測時フレームワークであるConsequence-Aware Adaptive Action Chunking (CA$3$C)を提案する。
  論文  参考訳（メタデータ） (2026-10-06T08:23:04Z)
• ForeAct3D: Policy-Grounded Future World Modeling for VLA Policies [28.246787329202586]
  我々は、ビジョン・ランゲージ・アクション・ポリシーの中で、ポリシーに基づく未来の世界モデリングのためのフレームワークであるForeAct3Dを紹介する。 我々は、ForeAct3D 98.3%がLIBEROで平均成功し、CALVINでの平均タスク長が3.73であり、全てのスイートで基本方針を上回っていることを示す。
  論文  参考訳（メタデータ） (2026-10-03T15:49:04Z)
• Learning from Runtime Feedback through Failure-Bank Self-Evolution for Vision-Language-Action Models [29.06758511498909]
  FailBankは、ランタイムフィードバックを永続的なポリシー改善に変換するフレームワークである。 VLA-Arenaベンチマークで2つの難易度と2つのVLAバックボーンで評価した。
  論文  参考訳（メタデータ） (2026-09-30T14:23:36Z)
• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [56.86456077356948]
  凍結言語アクション(VLA)ポリシーは、テスト時に徐々に改善されている。 追加のサンプリングは、ポリシーのロールアウト内により優れた振る舞いが存在する場合にのみ有効である。 検索は、関連するアクションがポリシーによって確実に表現されない場合に最も有用である。
  論文  参考訳（メタデータ） (2026-08-18T08:11:31Z)
• Decoupled Q-Chunking [63.864222078287575]
  チャンクされた批評家は、個々のアクションではなく、短いアクションシーケンス("チャンク")の価値を見積もって、価値のバックアップをスピードアップします。 私たちの重要な洞察は、批判者のチャンクの長さをポリシーのチャンクの長さから切り離すことで、ポリシーがより短いアクションチャンクを乗り越えることを可能にすることです。 この設計は、オープンループのサブ最適化と長いアクションチャンクに対するアクションチャンクポリシーの学習の難しさを両立させながら、マルチステップ値伝搬の利点を保っている。
  論文  参考訳（メタデータ） (2025-12-11T18:52:51Z)
• Offline Reinforcement Learning with Implicit Q-Learning [85.62618088890787]
  現行のオフライン強化学習手法では、トレーニング中に見つからない行動の価値を問い合わせて、ポリシーを改善する必要がある。 本稿では,データセット外の動作を評価する必要のないオフラインRL手法を提案する。 この方法により、学習したポリシーは、一般化によってデータの最良の振る舞いを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-10-12T17:05:05Z)

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。