論文の概要: Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution

• arxiv url: http://arxiv.org/abs/2610.19495v1
• Date: Wed, 14 Oct 2026 03:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.932378
• Title: Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution
• Title（参考訳）: Robota-Embed:ロボットのインテクスト学習と進化のための統一VLA埋め込み
• Abstract要約: ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。 我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。 Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
• 参考スコア（独自算出の注目度）: 90.448613284096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieving useful context for a robot requires matching its task, execution stage, and the continuation that should follow. We introduce Robota-Embed, to our knowledge the first vision-language-action (VLA) embedding model to jointly encode all three modalities in both current-state queries and recorded future continuations. Predictive retrieval training aligns these endpoints, enabling historical continuations to serve as context at inference time. We construct a multi-source corpus of 1,695,684 cleaned training anchors and introduce Robota-Embed-Bench, with 4,000 queries and a shared 8,000-entry gallery. Robota-Embed achieves 47.33% clip-level and 81.77% episode-level R@1, exceeding action-free Gemini Embedding 2 by 22.09 and 33.47 percentage points. Controlled retrieval studies show that removing native action degrades retrieval more than removing vision. We study two complementary applications. Embed2ICL uses retrieved experience for training-free and training-based policy conditioning, increasing success from 47.0% to 56.3% in DROID-Sim and from 86.4% to 92.8% on the LIBERO difficult subset, while improving task progress on real robots. Embed2Evolve uses execution feedback to grow task-local memory and refine context use around a frozen GPT-6 Astra policy. Across five ManiSkill tasks, it achieves 68% success, compared with 24% for GPT-6 Astra Direct and 33% for a harness independently evolved with Omni-Embed-Nemotron-3B under the same protocol. Relative to the latter, it uses approximately 79.5% fewer policy tokens per test rollout, counting both successes and failures. These results show that a unified, action-aware retrieval space can support robot in-context learning and task-local context evolution.
• Abstract（参考訳）: ロボットにとって有用なコンテキストを取得するには、タスク、実行ステージ、それに従うべき継続をマッチングする必要がある。 ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション(VLA)埋め込みモデルについて紹介する。 予測検索トレーニングは、これらのエンドポイントを整列させ、過去の継続を推論時にコンテキストとして機能させる。 我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。 Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。 制御された検索研究により、ネイティブアクションの除去は視覚の除去よりも検索を劣化させることが示された。 我々は2つの補完的応用について研究する。 Embed2ICLは、トレーニングフリーとトレーニングベースのポリシー条件付けのために回収された経験を使い、DROID-Simでは47.0%から56.3%に、LIBEROの難しいサブセットでは86.4%から92.8%に増加し、実際のロボットのタスク進捗を改善した。 Embed2Evolveは実行フィードバックを使用してタスクローカルメモリを成長させ、凍ったGPT-6 Astraポリシーの周囲でコンテキスト使用を洗練する。 5つのManiSkillタスクで、GPT-6 Astra Directで24%、Omni-Embed-Nemotron-3Bで独立して進化したハーネスで33%に対して68%の成功を達成した。 後者とは対照的に、テストロールアウト毎に約79.5%のポリシートークンを使用しており、成功と失敗の両方を数えている。 これらの結果から,統合された行動認識検索空間は,ロボットのコンテキスト内学習とタスクローカルなコンテキスト進化を支援することが示唆された。

関連論文リスト

• LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
  専門家によるデモのスケーリングだけでは、一般的なロボットポリシーがデプロイメントから改善されることはない。 この完全品質スペクトルから直接学習する閉ループワールドアクションモデルである textbfLoopWAM を導入する。 音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
  論文  参考訳（メタデータ） (2026-10-13T17:59:56Z)
• EmbodiedRSI: Active Continual Robot Learning Through Hypothesis-Guided Co-Evolution [67.8338816777088]
  EmbodiedRSIは、次に探索する場所を自律的に決定する自己進化型エージェントハーネスである。 これはFast-Slow Dual-System Architectureを通じて実現します。 RoboCasa365では、EmbodiedRSIは77.0%、Composite-Unseenでは71.3%に達した。
  論文  参考訳（メタデータ） (2026-10-07T17:48:02Z)
• Skill2Real: Agentic Skill Learning for Zero-Shot Sim-to-Real Robot Manipulation [46.514470640782584]
  共有アプリケーションプログラミングインタフェース(API)を通じて実行可能なスキルを学ぶエージェントポリシーフレームワークであるSkill2Realを紹介する。 Proposer-Verifier- Governorループは、特権シミュレーションエビデンスを使用して結果を診断し、更新を検証する。 脳はまず局所的な操作のスキルを取得し、その後脳は脳を凍らせることでタスクレベルの構成を学ぶ。
  論文  参考訳（メタデータ） (2026-10-02T04:25:12Z)
• RoboHarn-Evo: Evolving Hierarchical Physical Knowledge for Self-Improving Robotic Manipulation [24.90546116835631]
  物理経験から階層的物理知識(HPK)を進化させるデュアルループハーネスであるRoboHarn-Evoを紹介する。 タスク知識(Task Knowledge)はどのサブタスクを実行すべきか、いつ完了するかをキャプチャし、アクション知識(Action Knowledge)はオブジェクト相対幾何学的戦略とその物理的効果をキャプチャする。 RMBenchの実験では、HPKは異なるエージェントモデルの平均成功率を24.2ポイントまで改善している。
  論文  参考訳（メタデータ） (2026-09-29T13:42:22Z)
• Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
  本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。 一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。 RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
  論文  参考訳（メタデータ） (2026-09-24T11:16:18Z)
• ASPIRE: Agentic /Skills Discovery for Robotics [46.66569877875144]
  ASPIRE (Agentic Skill Programming through Iterative Robot Exploration) は、ロボット制御プログラムをコード・アズ・ポリティクスのパラダイムで書き、洗練する。 1)細粒度のマルチモーダルトレースを露呈し,自律的な故障診断,修復,合成,検証を可能にするクローズドループロボット実行エンジン,(2)検証済みの修正を再利用可能な,伝達可能な知識に蒸留する継続的な拡張スキルライブラリ,(3)多様なタスクシーケンスを生成する進化的検索と,単一軌道の洗練を超えて探索する制御プログラムである。
  論文  参考訳（メタデータ） (2026-06-30T23:38:46Z)
• InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy [138.89177083578213]
  空間接地とロボット制御のための統合フレームワークであるInternVLA-M1を紹介する。 InternVLA-M1は、(i)2.3M以上の空間的推論データに基づく空間的グラウンドトレーニングと(ii)空間的に誘導された後トレーニングという、2段階のパイプラインを使用する。 結果: InternVLA-M1 は SimplerEnv Google Robot で+14.6%、WidowX で+17%、LIBERO Franka で+4.3% で、空間誘導なしでその変種を上回った。
  論文  参考訳（メタデータ） (2025-10-15T17:30:05Z)

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。