論文の概要: ForceBench: Benchmarking Force Integration for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.19604v1
• Date: Wed, 14 Oct 2026 05:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.979461
• Title: ForceBench: Benchmarking Force Integration for Robotic Manipulation
• Title（参考訳）: ForceBench: ロボットマニピュレーションのためのベンチマークフォース統合
• Abstract要約: ForceBenchは、統一されたプロトコルの下で6軸手首力統合を評価するためのシミュレーションベンチマークである。 1つの非フォースベースラインと6つのフォース統合設計を共有の_0.5$バックボーンで比較する。 プロンプト・フュージョンは、ベースラインの23.25%に対して35.31%の観測平均シミュレーション成功を達成した。
• 参考スコア（独自算出の注目度）: 18.87831165378594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Force feedback provides vision-language-action (VLA) policies with physical observations that can guide action selection and execution. However, differences in tasks, demonstrations, and control settings across existing systems hinder reliable comparisons of force integration designs. We introduce ForceBench, a simulation benchmark for evaluating six-axis wrist-force integration under a unified protocol. ForceBench combines eight tasks spanning physical-property inference, resistance-dependent interaction, and contact-rich assembly with 1,600 synchronized demonstrations and task-specific success criteria. We compare one no-force baseline and six force integration designs on a shared $π_{0.5}$ backbone. Prompt Fusion achieves the highest observed mean simulation success of 35.31%, compared with 23.25% for the baseline, and improves success rates across all three task categories. Predictive and temporal gains in simulation concentrate on physical-property inference, while both temporal designs underperform the baseline on assembly. Real-world evaluation of eight systems across five tasks supports the main qualitative trends: Prompt Fusion and Dual-Path Fusion achieve 63.00% mean success, compared with 40.00% for the baseline, but only Prompt Fusion improves every task. These findings support ForceBench's practical value for identifying the benefits and limitations of force integration across manipulation demands. The project page is available at https://forcebench-platform.github.io/.
• Abstract（参考訳）: フォースフィードバックは、アクションの選択と実行をガイドできる物理的観察を備えた視覚言語アクション(VLA)ポリシーを提供する。 しかし、既存のシステム間でのタスク、デモ、制御設定の違いは、力の統合設計の信頼性を損なう。 統合されたプロトコルの下で6軸手首力統合を評価するためのシミュレーションベンチマークであるForceBenchを紹介する。 ForceBenchは、物理プロパティ推論、抵抗依存相互作用、コンタクトリッチアセンブリにまたがる8つのタスクを1,600の同期デモとタスク固有の成功基準で組み合わせている。 1つの非力ベースラインと6つの力の統合設計を共有のπ_{0.5}$バックボーンで比較する。 プロンプト・フュージョンは、ベースラインの23.25%と比べて35.31%という最も観測された平均的なシミュレーション成功を達成し、3つのタスクカテゴリーでの成功率を向上させる。 シミュレーションにおける予測的および時間的利得は、物理的プロパティ推論に集中し、時間的設計はどちらも、アセンブリのベースラインを過小評価する。 Prompt FusionとDual-Path Fusionはベースラインの40.00%に比べて63.00%の平均的な成功を達成しているが、すべてのタスクを改善するのはPrompt Fusionのみである。 これらの知見は、操作要求を越えた力の統合の利点と限界を特定するためのForceBenchの実践的価値を支持している。 プロジェクトのページはhttps://forcebench-platform.github.io/.com/で公開されている。

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)
• VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
  VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。 汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。 モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
  論文  参考訳（メタデータ） (2026-09-17T01:24:51Z)
• GroundBench: A Factorized, Counterfactual Benchmark for Locating VLM Affordance Failures [0.0]
  コンパニオン評価により、8つの視覚言語モデルにおいて、操作中の対象部位の命名により動作精度が0.32-0.63向上することが判明した。 しかし、部品の命名は、実際のシステムが推論し、視覚的接地、機械的推論、カテゴリー対アクションの関連性を見極めなければならない情報を提供する。 GroundBenchは、これらの説明を6つのブランチ・アンド・マージ条件で分離する診断ベンチマークである。
  論文  参考訳（メタデータ） (2026-09-10T14:52:26Z)
• SoftVTBench: A Deformation-Aware Visuo-Tactile Dataset and Benchmark for Deformable-Object Manipulation [56.16187327142104]
  物理的相互作用を意識した変形オブジェクト操作のためのビジュオ触覚データセットであるSoftVTBenchを紹介する。 4000以上の専門家によるデモンストレーションと50以上の資産が含まれており、その中には体積変形可能な物体や視覚的に整合した双生児が含まれる。 20Hzでは、各エピソードはマルチビューRGB、デュアルフィンガー触覚RGB、マーカー運動、プロプレセプション、言語、バイナリおよび連続グリップパーアクションを同期させる。
  論文  参考訳（メタデータ） (2026-08-19T08:58:47Z)
• UI-Mate: Advancing Open-Weight Foundation GUI Agents with In-Context Demonstrations [68.29650478987561]
  UI-Mateは、環境に根ざしたトレーニングスタックとコンテキスト内の実演学習を統合する基盤GUIエージェントである。 OSWorldでは77.0%、WindowsAgentArenaでは66.2%と評価された。
  論文  参考訳（メタデータ） (2026-08-16T20:59:59Z)
• AgentOmnia: Scaling Agentic Models for Full-Scenario Applications [36.656762500581216]
  大規模言語モデルエージェントは急速に進歩しているが、ドメイン、機能、タスクの難しさ、インタラクション設定にはまだ進歩が断片化されている。 これはTo-Consumer(ToC)、To-Business(ToB)、To-Employee(ToE)アプリケーション間でタスク空間の定義、データ合成、ポストトレーニング、評価、改善を調整するフレームワークです。
  論文  参考訳（メタデータ） (2026-07-25T09:58:24Z)
• Hy-Embodied-VLM-1.0: Efficient Physical-World Agents [60.26641387128157]
  Hy-Embodied-VLM-1.0は、エンボディエージェントの効率的で強力なエンボディド基礎モデルである。 我々はHy3-A3B言語バックボーンとHy3-ViT2ビジョンエンコーダのモデルを構築した。 我々は,Hy-Embodied-VLM-1.0を,具体的知覚,物理世界理解,具体的推論を含む38のベンチマークスイートで評価した。
  論文  参考訳（メタデータ） (2026-07-14T15:34:17Z)
• 6GAgentGym: Tool Use, Data Synthesis, and Agentic Learning for Network Management [4.299007466612815]
  6G-Forge ブートストラップによる NS-3 種子からのクローズドループ訓練軌跡の反復的自己指示生成と実験モデルに対する実行検証を行った。 得られたコーパスの微調整とオンラインクローズドループインタラクションによる強化学習により、8BオープンソースモデルはGPT-5に匹敵する全体的な成功率を達成することができる。
  論文  参考訳（メタデータ） (2026-03-31T12:21:00Z)
• Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters [169.7981969517903]
  Step 3.5 Flashは、フロンティアレベルのエージェントインテリジェンスと計算効率を橋渡しする。 エージェントを構築する上で最も重要なもの、すなわち、シャープな推論と高速で信頼性の高い実行に重点を置いています。
  論文  参考訳（メタデータ） (2026-02-11T07:53:51Z)

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。