論文の概要: LIBERO-RIG: A Hardware-Setup Robustness Benchmark for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.18843v1
• Date: Tue, 13 Oct 2026 17:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.703008
• Title: LIBERO-RIG: A Hardware-Setup Robustness Benchmark for Vision-Language-Action Models
• Title（参考訳）: LIBERO-RIG:ビジョン・ランゲージ・アクションモデルのためのハードウェアセットアップロバストネスベンチマーク
• Abstract要約: LIBERO-RIGは,全てのLIBEROタスクを固定しながら,ロボットのハードウェアとセットアップのみを乱すベンチマークである。 このベンチマークは、カメラの装着と光学、カメラとアームのキャリブレーション、アクティベーションゲイン、制御速度、反射音、ベースポーズ、テーブルの高さ、パッドを含む11の摂動軸にまたがっている。 我々は,最近の9つの視覚-言語-行動モデルについて,条件毎の500エピソードを用いて評価し,厳密な統計的検証を行った。
• 参考スコア（独自算出の注目度）: 28.096633847121083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot policies are expected to generalize across deployment environments, including variations in the robot itself: cameras are bumped and remounted, calibrations drift, controllers run at different rates, and end-effector pads wear down. We present LIBERO-RIG, a benchmark that perturbs only the robot's hardware and setup while holding every LIBERO task fixed. The benchmark spans eleven perturbation axes, including camera mounting and optics, camera-to-arm calibration, actuation gain, control rate, proprioceptive noise, base pose, table height, and gripper pads. Each axis has five severity levels, yielding 210 conditions across the four LIBERO suites. We evaluate nine recent vision-language-action models using 500 episodes per condition and substantiate each finding with rigorous statistical tests. Pooled success falls from 0.932 to 0.767 at the middle severity and 0.509 at the highest severity. Performance degradation varies substantially across perturbation axes and action interfaces, and training on visual perturbations does not mitigate faults that leave camera images unchanged. We release the benchmark together with manifests specifying the fixed perturbation parameters for each episode.
• Abstract（参考訳）: ロボットのポリシーは、ロボット自体のバリエーション、カメラのバンプとリマウント、キャリブレーションのドリフト、コントローラーの速度の違い、エンドエフェクターパッドの摩耗など、デプロイ環境全体にわたって一般化されることが期待されている。 LIBERO-RIGは,全てのLIBEROタスクを固定しながら,ロボットのハードウェアとセットアップのみを乱すベンチマークである。 このベンチマークは、カメラの装着と光学、カメラとアームのキャリブレーション、アクティベーションゲイン、制御速度、反射音、ベースポーズ、テーブルの高さ、グリップパッドを含む11の摂動軸にまたがっている。 各軸は5つの重度レベルを持ち、4つのLIBEROスイートに210の条件をもたらす。 我々は,最近の9つの視覚-言語-行動モデルについて,条件毎の500エピソードを用いて評価し,厳密な統計的検証を行った。 汚染された成功は、中間重度では0.932から0.767に、最高重度では0.509に減少する。 性能劣化は、摂動軸とアクションインターフェース間で大きく異なり、視覚摂動のトレーニングは、カメラ画像が変化しない欠陥を緩和しない。 我々は、各エピソードの固定摂動パラメータを指定するマニフェストとともに、ベンチマークをリリースする。

関連論文リスト

• WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models [21.43575545487911]
  WARP-VLA(WARP-VLA)は、様々な手首カメラ構成用のカメラビューロバストなVLAである。 WARP-VLA は pi-0.5 の平均成功率を 39.2% から 78.3% に改善することを示した。
  論文  参考訳（メタデータ） (2026-10-08T08:44:26Z)
• LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
  多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。 LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。 各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
  論文  参考訳（メタデータ） (2026-09-29T02:12:26Z)
• Pelican-Sim 1.0: A General World Model Simulator for Embodied Intelligence [22.0636262013758]
  Pelican-Sim 1.0は、インテリジェンスのための一般的な世界モデルシミュレータである。 ビジュアルコンテキストとロボットアクションから将来の観察を予測し、下流での学習と意思決定を支援する。
  論文  参考訳（メタデータ） (2026-09-10T17:51:01Z)
• SyncWorld: Visual Calibration Enables World Models as Zero-Shot Simulators [61.95179776027961]
  SyncWorldはアクション条件付き世界モデルで、追加のトレーニングなしで、目に見えない環境を横断するゼロショットシミュレータとして機能する。 視覚的校正コンテキストを用いたトレーニングは、視覚的証拠を通して行動を理解するモデルを教える。 実験の結果、SyncWorldは以前見つからなかった設定でアクションの結果を正確にシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2026-09-08T17:59:47Z)
• Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery [4.730120849611304]
  共同登録は、光学衛星画像の時間・マルチセンサー利用のほぼすべての基盤となる。 SCDF, トレーニング不要なGPUフリーな推定器で, 動きモデル自体が画素あたりの高密度変位場である。 実際のSentinel Landsat-8/9とNAIP画像から構築された584基の地上トラスペアでは、SCDFは故障のない全てのペアを登録する。
  論文  参考訳（メタデータ） (2026-08-23T08:50:59Z)
• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• Persistent Robot World Models: Stabilizing Multi-Step Rollouts via Reinforcement Learning [18.397872306430006]
  アクションコンディショニングされたロボットワールドモデルは、ロボットアクションシーケンスが与えられた操作されたシーンの将来のビデオフレームを生成する。 これらのモデルは、短時間の予測に最適化され、自動回帰的にデプロイされたときに分解される。 我々は,自己回帰的なロールアウトで世界モデルを訓練する強化学習スキームを導入する。
  論文  参考訳（メタデータ） (2026-03-26T17:36:08Z)
• LIBERO-Plus: In-depth Robustness Analysis of Vision-Language-Action Models [49.92148175114169]
  制御された摂動を7次元にわたって導入することにより,系統的な脆弱性解析を行う。 モデルは、カメラの視点やロボットの初期状態を含む摂動要因に対して極端に敏感である。 驚くべきことに、モデルは言語の変化にほとんど敏感であり、さらなる実験により、モデルは言語命令を完全に無視する傾向があることが明らかになった。
  論文  参考訳（メタデータ） (2025-10-15T14:51:36Z)
• SOTA: Spike-Navigated Optimal TrAnsport Saliency Region Detection in Composite-bias Videos [50.51658520045165]
  Spike-d TrAnsport Saliency Region Detection (SOTA)は、スパイクカメラの強度を活用しつつ、空間次元と時間次元の両方のバイアスを緩和するフレームワークである。 本手法では,微妙なフレーム・ツー・フレームの変動を捉えるために,スパイクに基づくマイクロデビア(SM)を導入する。 SOTAは様々な条件にまたがる不整合を減らして予測を洗練させる。
  論文  参考訳（メタデータ） (2025-05-01T08:30:40Z)

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。