論文の概要: LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.22372v1
• Date: Thu, 15 Oct 2026 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.285775
• Title: LIBERO-PeRM: Benchmarking Personalized Robotic Manipulation
• Title（参考訳）: LIBERO-PeRM: パーソナライズされたロボット操作のベンチマーク
• Abstract要約: LIBERO-PeRMは、エンボディエージェントの嗜好学習のためのベンチマークである。 1) 政策がゼロショット設定でどのように嗜好に従うか,2) デモから単一選好を学習するか,3) デモの増加に伴う選好の効率向上について検討する。 高品質なデモ、豊富なメタデータ、嗜好満足度を備えた5つのタスクスイート(312タスク)を作成します。
• 参考スコア（独自算出の注目度）: 43.00584450372881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalization is essential for general-purpose robots to transition into household environments and achieve true practicality. While general robotic manipulation has been extensively studied, personalized robotic manipulation (PeRM) lacks a controlled benchmark for separating task completion from preference satisfaction. We introduce LIBERO-PeRM, a benchmark for preference learning in embodied agents. LIBERO-PeRM studies five questions: 1) how policies follow preferences in zero-shot settings; 2) how they learn single preferences from demonstrations; 3) how efficiently they acquire preferences as demonstrations increase; 4) how learned preferences generalize across layouts and tasks; and 5) how policies compose preferences and behave under conflicts. We propose a controlled formulation and taxonomy of observable preferences in simulation, covering motion, skill, and user-profile choices. This formulation is restricted to language-expressible preferences that can be instantiated in LIBERO without changing the task goal, evaluated automatically, and reused across tasks. Building on LIBERO, our procedural pipeline generates paired demonstrations with and without preferences. We create five task suites (312 tasks) with high-quality demonstrations, rich metadata, and preference-satisfaction metrics. Experiments show that current VLA policies struggle with zero-shot personalization, while SFT makes preferences learnable. Mixed training achieves better no-preference retention than sequential adaptation and improves performance with contextual prompts compared with preference-only training, but can weaken motion-preference learning; preference generalization, decomposition, and conflict handling remain difficult. The code, datasets, and demos can be found on the project website: https://libero-perm.github.io/.
• Abstract（参考訳）: 汎用ロボットが家庭環境に移行し、真の実用性を実現するためには、パーソナライズが不可欠である。 汎用ロボット操作は広く研究されているが、パーソナライズされたロボット操作(PeRM)は、タスク完了と好みの満足度を分けるための制御されたベンチマークを欠いている。 エンボディエージェントの嗜好学習のためのベンチマークであるLIBERO-PeRMを紹介する。 LIBERO-PeRMは5つの質問を研究している。 1) ゼロショット設定におけるポリシーの遵守方法 2) デモンストレーションから単一嗜好を学習する方法 3 デモの増加に伴い、どの程度効率よく嗜好を得るか。 4) 学習した嗜好がレイアウトやタスクにまたがってどのように一般化されるか。 5) 政策が紛争下での嗜好や行動を構成する方法。 本研究では,シミュレーションにおける観察可能な選好の制御された定式化と分類法を提案する。 この定式化は、タスクゴールを変更し、自動的に評価し、タスク間で再利用することなく、LIBEROでインスタンス化できる言語表現可能な好みに制限される。 LIBEROをベースとして、私たちの手続きパイプラインは、好みのないペア化されたデモを生成する。 高品質なデモ、豊富なメタデータ、嗜好満足度を備えた5つのタスクスイート(312タスク)を作成します。 実験によると、現在のVLAポリシーはゼロショットのパーソナライゼーションに苦慮し、SFTは好みを学習できるようにする。 混合学習は、逐次適応よりも非参照保持性が向上し、文脈的プロンプトによる性能向上が期待できるが、動き規範学習の弱体化は可能であり、好みの一般化、分解、コンフリクトハンドリングは依然として困難である。 コード、データセット、デモはプロジェクトのWebサイトにある。

関連論文リスト

• TacStyle: Personalizing Tactile Robot Policies using Structured Behavior Representations [0.9253666753150972]
  自然言語は人間が好みを伝えるための直感的な方法を提供する。 言語条件ロボット政策の最近の進歩は、ロボットが言語プロンプトを使ってどのタスクを実行するかを決定することに成功していることを示している。 直感的に構造化された潜在空間からロボットの動作を選択することで、ユーザの好みにより正確に適応できることを示す。
  論文  参考訳（メタデータ） (2026-06-12T18:04:28Z)
• Search-Based Credit Assignment for Offline Preference-Based Reinforcement Learning [83.64755389431971]
  本稿では,2つのフィードバックソースを統一する検索ベースPreference Weightingスキームを提案する。 選好ラベル付き軌道における各遷移について、SPWは専門家のデモンストレーションから最もよく似た状態-作用対を探索する。 これらの重みは標準の嗜好学習をガイドするために使われ、より正確なクレジット割り当てを可能にします。
  論文  参考訳（メタデータ） (2025-08-21T07:41:45Z)
• It Helps to Take a Second Opinion: Teaching Smaller LLMs to Deliberate Mutually via Selective Rationale Optimisation [20.784944581469205]
  COALITIONは、同じSLMの2つの変種間の相互作用を容易にするトレーニング可能なフレームワークである。 エンドタスクに最適化された合理性を生成するように訓練する。 我々のアブレーション研究は、2つの変種間の相互通信が、理論を自己定義するために単一のモデルを使用するよりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-04T10:17:29Z)
• Rethinking Diverse Human Preference Learning through Principal Component Analysis [22.123631189289963]
  二項比較から多種多様な人間の嗜好を抽出するために, DRM(Decomposed Reward Models)を導入する。 DRMは好みをベクトルとして表現し、主成分分析(PCA)を用いて分析する DRMは、意味のある好みの次元(例えば、有用性、安全性、ユーモア)を効果的に抽出し、追加のトレーニングなしで新規ユーザーに適応する。
  論文  参考訳（メタデータ） (2025-02-18T18:55:26Z)
• VLP: Vision-Language Preference Learning for Embodied Manipulation [29.7387976970634]
  具体的操作タスクに対する好みフィードバックを提供するための視覚言語選好モデルを提案する。 選好モデルは言語に関連する特徴を抽出し、様々な下流タスクにおいて選好アノテータとして機能する。 提案手法は,未知のタスクや未知の言語命令に対して,精度の高い選好と一般化を提供し,ベースラインを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2025-02-17T15:32:14Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• PREDILECT: Preferences Delineated with Zero-Shot Language-based Reasoning in Reinforcement Learning [2.7387720378113554]
  ロボット学習の新たな分野として,嗜好に基づく強化学習(RL)が出現している。 我々は、人間が提供するテキストから大言語モデル(LLM)のゼロショット機能を利用する。 シミュレーションシナリオとユーザスタディの両方において、フィードバックとその意味を分析することによって、作業の有効性を明らかにする。
  論文  参考訳（メタデータ） (2024-02-23T16:30:05Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• Promptable Behaviors: Personalizing Multi-Objective Rewards from Human Preferences [53.353022588751585]
  本稿では,ロボットエージェントの多種多様な嗜好に対する効率的なパーソナライズを促進する新しいフレームワークであるPromptable Behaviorsを紹介する。 我々は、異なるタイプの相互作用を活用することによって、人間の嗜好を推測する3つの異なる方法を紹介した。 本稿では,ProcTHOR と Robothor のナビゲーションタスクをパーソナライズしたオブジェクトゴールナビゲーションおよびエスケープナビゲーションタスクにおいて,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2023-12-14T21:00:56Z)

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。