論文の概要: GRASP: Global-Local Representation Alignment and Spatial-Physical Grounding for Bimanual Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.23123v1
- Date: Fri, 16 Oct 2026 08:29:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.829551
- Title: GRASP: Global-Local Representation Alignment and Spatial-Physical Grounding for Bimanual Robotic Manipulation
- Title（参考訳）: GRASP:双方向ロボットマニピュレーションのためのグローバルローカル表現アライメントと空間物理グラウンドリング
- Abstract要約: 微粒なバイマニュアル操作のためのトレーニングフェーズ事前注入フレームワークを提案する。
まず、物理グラウンドドフローマッチング損失は、各ノイズレベルにおける暗黙のクリーンアクション推定を、微分可能前方運動学を通してマッピングする。
第2に,凍結したDINOv3教師から抽出したグローバルな予測クエリグループと,DINOを注目レベルで指導するローカルインタラクションクエリを導入する。
- 参考スコア（独自算出の注目度）: 16.44953358844597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models that directly regress joint-space actions avoid the deployment-time cost of inverse kinematics. However, their training objectives remain misaligned with task success, as joint-space losses ignore the unequal physical consequences of joint errors and visual conditioning lacks explicit focus on hand-object interaction regions. To address these issues, we propose a training-phase prior injection framework for fine-grained bimanual manipulation. First, a physics-grounded flow-matching loss maps the implicit clean-action estimate at every noise level through differentiable forward kinematics (FK) and supervises the resulting Tool Center Point (TCP) pose and inter-arm relative pose, with a bounded noise-level weighting that compensates gradient decay. Second, we introduce a global prediction query group distilled from a frozen DINOv3 teacher through future-frame feature prediction, together with a local interaction query supervised by Grounding DINO at the attention level. Both teachers are removed at inference, and the deployment pipeline is that of a standard joint-space flow policy, adding only the learned query pathway. Simulation and real-robot experiments on long-horizon bimanual tasks show that the two priors are complementary across different deployment settings. The full model excels in in-distribution deployment, while the distilled query branch is preferable under strong visual randomization.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、逆運動学の展開時間コストを回避する。
しかし、その訓練目標が作業の成功と一致していないのは、共同空間の損失は、共同エラーの不平等な物理的結果を無視し、視覚条件付けは手動の相互作用領域に明示的に焦点を合わせていないためである。
これらの課題に対処するために, 微粒なバイマニュアル操作のためのトレーニングフェーズ事前注入フレームワークを提案する。
第一に、物理グラウンドドフローマッチング損失は、微分可能前方運動学(FK)を通してあらゆるノイズレベルにおける暗黙のクリーンアクション推定をマッピングし、結果として生じるツールセンターポイント(TCP)のポーズとアーム間の相対的なポーズを監督し、勾配減衰を補償する有界ノイズレベル重み付けを行う。
第2に,凍結したDINOv3教師から抽出したグローバルな予測クエリグループと,DINOを注目レベルで指導するローカルインタラクションクエリを導入する。
両方の教師は推論時に取り除かれ、デプロイメントパイプラインは標準のジョイントスペースフローポリシであり、学習されたクエリパスのみを追加する。
長期の双方向タスクに関するシミュレーションと実ロボット実験は、2つの先行が異なる配置設定間で相補的であることを示している。
完全モデルは分散配置において優れ、蒸留クエリブランチは強い視覚的ランダム化の下で好適である。
関連論文リスト
- COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。
最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。
本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-13T09:23:12Z) - EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。
本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
論文 参考訳（メタデータ） (2026-09-30T15:35:53Z) - IMPACT: Attention Is the Interaction Map for Scalable Interaction-Aware World Model Training [18.292611164084537]
IMPACTは,事前誘導と目標設定を併用したスケーラブルなインタラクション対応フレームワークである。
IMPACTは、対応するMSE訓練ベースラインを一貫して上回り、相互作用の忠実度、物理的妥当性、視覚的品質を改善している。
論文 参考訳（メタデータ） (2026-08-31T18:00:36Z) - AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning [52.47988016454267]
VLA(Vision-Language-Action)モデルは、エンドツーエンドのロボット操作において優れているが、アウト・オブ・ディストリビューション(OOD)の一般化に苦慮している。
構成的サブスキルのセマンティクスよりも全体論的軌道パターンに過度に適合するEmphtrajectory overfittingと、世界空間の接地を犠牲にして手首面のテクスチャを過度に強調するEmphperceptual shortcutの2つの相互強化モードを同定する。
textbfAC-VLA, プラグアンドプレイアクション構成学習について紹介する。
論文 参考訳（メタデータ） (2026-07-17T07:51:03Z) - Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs [46.61554174146852]
Task-Agnostic Pretraining (TAP)は、安価な未ラベルのインタラクションデータから転送可能なモータの事前学習を行う2段階のフレームワークである。
SIMPLERベンチマークでは、TAPは100万以上の専門家の軌道上でトレーニングされたモデルと、ラベル付きデータの桁数を桁違いに削減する。
現実世界のWidowXプラットフォームでは、TAPは、インターネットスケールのベースラインが0%に崩壊するカメラの摂動の下で25%の成功を維持している。
論文 参考訳（メタデータ） (2026-07-02T17:33:37Z) - Pondering the Way: Spatial-perceiving World Action Model for Embodied Navigation [24.310993695214094]
SWAM(Spatial-Perceiving World Action Model)は,タスク中心の共同観測行動生成フレームワークである。
スタートとゴールのRGB観測が与えられた場合、SWAMはシングルパス推論を行い、中間のRGB-Dシーケンスと対応するアクショントラジェクトリを同時に生成する。
SWAMは、成功率、軌道精度、推論効率において、最先端の2段階プランナーを著しく上回っている。
論文 参考訳（メタデータ） (2026-06-29T07:43:47Z) - GRASP: Geometry-aware Residual Alignment for Scalable Pretraining Data Attribution [5.770893169582546]
この研究は、属性をサブセットレベルの反事実的ユーティリティ予測として再定義する。
相互作用を意識したサロゲートであるGRASPを紹介する。
それは、既存のスケーラブルなベースラインを決定的に上回る。
論文 参考訳（メタデータ） (2026-06-05T04:17:50Z) - iGSP:Implicit Gradient Subspace Projection for Efficient Continual Learning of Vision-Language Models [14.623213614166259]
iGSPは暗黙の勾配部分空間投影による効率的な適応を実現する新しいフレームワークである。
MTILベンチマークの実験は、iGSPが最先端の精度を達成することを示した。
論文 参考訳（メタデータ） (2026-05-19T03:22:14Z) - SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。
SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
論文 参考訳（メタデータ） (2026-05-08T16:57:38Z) - Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。
本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。
我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
論文 参考訳（メタデータ） (2026-02-23T11:00:08Z) - Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。
標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。
本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
論文 参考訳（メタデータ） (2026-02-10T12:25:43Z)
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。