論文の概要: Embodiment-Classifier Guidance: Transferring Frozen VLAs Across Robot Dynamics without Demonstrations
- arxiv url: http://arxiv.org/abs/2610.22576v1
- Date: Thu, 15 Oct 2026 19:25:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.639226
- Title: Embodiment-Classifier Guidance: Transferring Frozen VLAs Across Robot Dynamics without Demonstrations
- Title（参考訳）: 体型分類誘導:非デモを伴わないロボット動力学における凍結型VLAの移動
- Abstract要約: フローベースのポリシーは、固定された実施形態に基づいてトレーニングされ、それらを新しいものに転送することは、オープンな問題である。
我々は、光源体上の動作チャンクとターゲット体上の動作チャンクとを区別するために、軽量なエンボディメント分類器を訓練する。
ガイダンスはデータ効率が高く、1タスクあたりのターゲットボディロールアウトが少ないため、sim-to-real転送が期待できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow-based policies such as $π_0$ are trained on a fixed set of embodiments, and transferring them to new ones is an open problem. To adapt a frozen $π_0$ to a new embodiment without additional demonstrations or parameter updates, we train a lightweight embodiment classifier to distinguish successful action chunks on the source body from those on the target body, using a few calibration tasks. On transfer tasks that $π_0$ saw on its source body but the classifier was never trained on, we nudge each denoising step of $π_0$ with the classifier's gradient, which estimates the direction from the distribution of successful actions on the source body toward that on the target body. On the LIBERO simulation benchmark with four modified controllers, embodiment-classifier guidance raises $π_0$'s average success on the target bodies from 72% to 80% across 12 suite-controller pairs, with a 31% relative reduction in failures (11 of 12 gain; 5 significant after Holm correction). In simulation, guidance is data-efficient, needing few target-body rollouts per task, which makes it promising for sim-to-real transfer, where rollouts are costly. Guidance is mixed on weak wrists and harmful on a locked wrist, when the classifier lacks data or favors infeasible motions. Collecting more target-body data with guided $π_0$ can fill such gaps: on one weak-wrist arm, guided $π_0$ solved a task on which unguided $π_0$ had zero successes in the original data, and retraining the classifier on the guided successes raised success from 52.5% to 70.7%.
- Abstract（参考訳）: π_0$のようなフローベースのポリシーは、固定された実施形態のセットで訓練され、それらを新しいものに移すことは、オープンな問題である。
凍結した$π_0$を追加のデモンストレーションやパラメータ更新なしに新しい実施形態に適応させるため、いくつかの校正タスクを用いて、ソース本体上のアクションチャンクとターゲット本体上のアクションチャンクを区別する軽量な実施形態分類器を訓練する。
π_0$が元の体で見たが、分類器は訓練されなかった転写タスクについて、各分類器の勾配でπ_0$の分解ステップを練り、元の体上での成功動作の分布から対象体のそれへの方向を推定する。
4つの修正されたコントローラを用いたLIBEROシミュレーションベンチマークでは、エンボディメント・クラシファイア・ガイダンスにより、12のスイート・コントローラ・ペアの72%から80%まで、目標体の平均的な成功率はπ_0$となり、障害の相対的な減少は31%である(11の12のゲイン、ホルム補正後の5つの有意な減少)。
シミュレーションでは、ガイダンスはデータ効率が高く、1タスクあたりのターゲットボディのロールアウトが少ないため、ロールアウトにコストがかかるsim-to-real転送が期待できる。
ガイドは弱い手首に混ざり、ロックされた手首には有害で、分類器にはデータがないか、不可能な動作が好まれる。
ガイドされた$π_0$でより多くのターゲットボディデータを収集すると、そのようなギャップを埋めることができる: 1つの弱い抵抗アームでガイドされた$π_0$は、ガイドされていない$π_0$が元のデータでゼロの成功を達成したタスクを解決し、ガイドされた成功に対する分類器の再訓練は52.5%から70.7%に向上した。
関連論文リスト
- Graph-Reweighted Behavior Cloning with Human Interventions for Precise Robotic Manipulation [51.011712435458925]
ロングホライゾンの精密な操作は、学習後の視覚-言語-アクションモデルのための混合品質データを生成する。
主要な課題は、不完全な軌道を均一にクローンしたり破棄したりするのではなく、どのアクションチャンクが実際にタスクを前進させるかを特定することである。
本稿では,タスク条件付き目標到達性グラフを構築するオフライン反復学習フレームワークGR-BCを提案する。
論文 参考訳（メタデータ） (2026-10-14T17:09:36Z) - ReTrace: Cross-Stage Failure Attribution for Self-Improving Robotic Manipulation [43.73491726685983]
ReTraceは、自律的な物理的相互作用と振り返り推論によるロボット操作のための自己改善フレームワークである。
我々は,Franka Research 3ロボットを用いた実世界の4つの操作タスクにおけるReTraceの評価を行った。
論文 参考訳（メタデータ） (2026-10-11T18:08:39Z) - Flow-Support-Weighted Proposals for Test-Time Verified VLA Policies [21.165662881835416]
テストタイムサンプリングは、1つのアクション予測を検証者が選択できる独立した実行可能候補のセットに変換することを約束する。
1つのタスク分布を解くために訓練された視覚アクションモデルは、そのフローマッチングデコーダを支配的な実演行動の周りに集中させ、繰り返しサンプルはわずかに異なる。
繰り返しサンプルは、候補となる予算が増加するにつれて、非常に冗長なままになります。
論文 参考訳（メタデータ） (2026-10-10T05:06:36Z) - Task Vector Descent: Learning from Non-IID Batches [73.36333480977952]
モデルをアクティブディストリビューションに適応させることは、アクティブディストリビューションのモデルを改善することができるが、以前トレーニングされたデータのパフォーマンス低下につながる可能性がある。
完全変位(=1$)と部分積分(英語版)を比較し、継続モデルに適用する前にタスクベクトルを$$スケールし、同じ係数で状態をスケールする。
論文 参考訳（メタデータ） (2026-10-04T17:37:49Z) - TACIT-Switch: Cost-Aware Model Escalation for LLM Agents from Censored Supervision [2.681967953218225]
より小さな言語モデルバックボーンを持つエージェントは永続的な障害モードにドリフトできるが、より大きなバックボーンを持つエージェントは一般的により信頼性が高いがよりコストがかかる。
この信頼性の高いトレードオフは、より大きなバックボーンを持つエージェントをいつ呼び出すかを決定するルーティングメソッドを動機付けます。
提案手法であるTACIT-SWITCHは,蓄積された軌跡の証拠から永久的ハンドオフポリシーを学習する。
論文 参考訳（メタデータ） (2026-08-28T04:33:11Z) - Learning from Failure: Inference-Time Self-Improvement for Computer-Use Agents [80.03824805228719]
コンピュータ利用エージェントを開発する上での大きな課題は、大規模で高品質な軌道を収集することである。
我々は、失敗した軌道をエージェント改善に変換するデータ中心のパラダイムを提案する。
この手法をOSWorldベンチマーク上で,最先端のOpenCUA-72Bモデルを用いて検証する。
論文 参考訳（メタデータ） (2026-06-30T07:44:37Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳（メタデータ） (2026-05-21T04:54:55Z) - The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning [13.599764233174973]
MiDiGapは、ロボット操作におけるフレキシブルポリシー表現と模倣学習のための新しいアプローチである。
1分以内でCPU上のタスクを学習し、大規模なデータセットに線形にスケールする。
様々な数ショットのベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-05-06T08:27:23Z) - Bias Mimicking: A Simple Sampling Approach for Bias Mitigation [57.17709477668213]
本稿では,新しいクラス条件サンプリング手法であるBias Mimickingを紹介する。
Bias Mimickingは、4つのベンチマークで3%の精度でサンプリングの精度を向上する。
論文 参考訳（メタデータ） (2022-09-30T17:33:00Z)
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。