論文の概要: Cracking Mobile Manipulation: From Failure Diagnosis to Agentic Robot System

• arxiv url: http://arxiv.org/abs/2610.19600v1
• Date: Wed, 14 Oct 2026 05:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.967742
• Title: Cracking Mobile Manipulation: From Failure Diagnosis to Agentic Robot System
• Title（参考訳）: クラック移動操作:故障診断からエージェントロボットシステムへ
• Abstract要約: 本研究では,実証に基づく計画指導,適応型視覚記憶,アクセシビリティ・アウェアベース調整,ローカル・エフェクタ調整などにより,固定サブタスクVLAを増強する,障害誘導型エージェント介入を開発する。 以上の結果から,モバイル操作の信頼性は,基盤方針を均一にスケールするのではなく,現在のボトルネックを診断・介入することで向上する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 55.866176656289134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent vision-language-action (VLA) models have shown strong performance on local robot manipulation, yet their success does not readily translate to long-horizon mobile manipulation. In our experiments, a pretrained subtask VLA achieves 80% success rate on atomic manipulation tasks but only 19% when these skills are composed into mobile manipulation. We argue that this gap stems from failures across the execution process rather than from local manipulation capability alone. To uncover these bottlenecks, we systematically diagnose failures in long-horizon mobile manipulation and identify three dominant regimes: task planning, navigation and base positioning, and local manipulation. Based on this diagnosis, we develop failure-guided agentic intervention that augments a fixed subtask VLA with demonstration-based planning guidance, adaptive visual memory, accessibility-aware base adjustment, and local end-effector adjustment. On RoboCasa365, these interventions progressively improve task success from 19% to 47%, with the finalized system reaching 49% on held-out episode seeds, compared with 18% for the baseline. The same design improves performance from 14% to 37% on BEHAVIOR-1K and from 5/20 to 13/20 on real-robot tasks. These results suggest that reliable mobile manipulation can be advanced by diagnosing and intervening on the current bottleneck, rather than uniformly scaling the underlying policy. Our code will be released at https://github.com/PKU-VaLuE-Lab/Cracking-Mobile-Manipulation.git.
• Abstract（参考訳）: 近年の視覚-言語-アクション(VLA)モデルでは、局所的なロボット操作に強い性能が示されているが、その成功はすぐには長距離移動操作に繋がらない。 実験では,プリトレーニングされたサブタスクVLAは,原子操作タスクにおいて80%の成功率を達成したが,これらのスキルをモバイル操作に組み込んだ場合,わずか19%であった。 このギャップは、ローカル操作のみの機能ではなく、実行プロセス全体の障害に起因する、と私たちは主張する。 これらのボトルネックを明らかにするために,我々は,長期にわたる移動操作における障害を系統的に診断し,タスク計画,ナビゲーション,基地位置決め,局所操作の3つの支配的体制を特定した。 本診断に基づき,実証に基づく計画指導,適応型視覚記憶,アクセシビリティ・アウェアベース調整,局所的端エフェクタ調整などにより,固定サブタスクVLAを増強するフェール誘導型エージェント介入を開発した。 RoboCasa365では、これらの介入によってタスク成功率が19%から47%に向上し、最終システムは保留エピソード種子で49%、ベースラインでは18%に向上した。 同じ設計でBEHAVIOR-1Kでは14%から37%、実際のロボットタスクでは5/20から13/20に改善された。 これらの結果は,基盤となるポリシを均一にスケールするのではなく,現在のボトルネックを診断・介入することで,信頼性の高いモバイル操作が実現可能であることを示唆している。 私たちのコードはhttps://github.com/PKU-VaLuE-Lab/Cracking-Mobile-Manipulation.gitでリリースされます。

関連論文リスト

• MobiAgent: Dual-Loop Recursive Policy Self-Improvement for Long-Horizon Mobile Manipulation [40.806829782077166]
  MobiAgentは、ロバストなデプロイメント実行とポリシーの自己改善を橋渡しする。 Outer Loopは、自動セグメント化とデプロイメントのロールアウト検証によって、ライフサイクル学習を自動化する。 BEHAVIOR-1Kで$_0.5$-TAを22.5ポイント上回り、実行障害からの堅牢な回復を可能にする。
  論文  参考訳（メタデータ） (2026-10-02T15:48:23Z)
• ActionGround: Training-Free Runtime Refinement of Frozen VLA Policies [0.0]
  VLA(Vision-Language-Action)モデルは、視覚的な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,凍結したVLAポリシをラップした,ニューロシンボリックでトレーニング不要な実行層であるActionGroundを紹介する。 我々は,OpenVLA,OpenVLA-OFT,Force-VLA,Generalist-VLAの10種類のLIBERO-Spatial pick-and-placeタスクにおけるActionGroundの評価を行った。
  論文  参考訳（メタデータ） (2026-09-27T05:59:06Z)
• Trajectory Divergence Horizon Decision for Reliable Dual-Arm Surgical Subtask Manipulation [12.14656738439713]
  Vision-Language-Action(VLA)モデルは、視覚知覚、言語接地、アクション生成を統合する統一されたフレームワークを提供する。 既存のVLAポリシーは固定長のオープンループアクションシーケンスに依存しており、シーン条件の変更は外科手術におけるエラーの蓄積や潜在的なリスクにつながる可能性がある。 ステップワイズ動作の信頼性を推定するテストタイム機構であるトラジェクティブディバージェンス水平決定(TDHD)を提案する。
  論文  参考訳（メタデータ） (2026-08-10T05:04:02Z)
• Hand-in-the-Loop: Improving VLA Policies for Dexterous Manipulation via Seamless Hand-Arm Intervention [15.34162270431179]
  Hand-in-the-Loop (HandITL) は、人間の修正意図と自律的な政策実行をブレンドする。 HandITLは介入ジッタを99.8%削減し、介入後の堅牢な操作を維持する。 政策改善のための修正データ収集に使用される場合、HandITLは標準遠隔操作データで訓練された者より19%優れるポリシーを出力する。
  論文  参考訳（メタデータ） (2026-05-14T17:51:40Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• EvoVLA: Self-Evolving Vision-Language-Action Model [11.746804244345613]
  VLA(Vision-Language-Action)モデルでは、長い水平ロボット操作が依然として難しい。 本稿では,3つの相補的コンポーネントを通じてこの問題に対処する自己教師型VLAフレームワークであるEvoVLAを紹介する。 EvoVLAはサンプル効率を1対半改善し、ステージ幻覚を38.5%から14.8%に下げる。
  論文  参考訳（メタデータ） (2025-11-20T09:08:33Z)
• Contrastive Representation Regularization for Vision-Language-Action Models [64.10170453130324]
  本稿では,ビジョン・ランゲージ・アクション(VLA)モデルの表現正規化であるロボット状態認識コントラスト損失(RS-CL)を紹介する。 特に、RS-CLは、状態間の相対的な距離をソフト・インスペクションとして使用することにより、ロボットの受容状態とより密に表現する。 実験の結果,RS-CLは最先端VLAモデルの操作性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-10-02T06:41:22Z)
• GRAPE: Generalizing Robot Policy via Preference Alignment [58.419992317452376]
  GRAPE: 優先度アライメントによるロボット政策の一般化について述べる。 GRAPEはドメイン内および未確認操作タスクにおける成功率をそれぞれ51.79%、58.20%向上させる。 GRAPEは安全性や効率、衝突速度の37.44%、ロールアウト長さの11.15%といった様々な目標に合わせることができる。
  論文  参考訳（メタデータ） (2024-11-28T18:30:10Z)

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。