論文の概要: CLARO: Clutter Aware Robot Orchestrator for Open-Vocabulary Grasping using VLM Agents
- arxiv url: http://arxiv.org/abs/2610.24016v1
- Date: Fri, 16 Oct 2026 01:31:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-26 11:41:47.313314
- Title: CLARO: Clutter Aware Robot Orchestrator for Open-Vocabulary Grasping using VLM Agents
- Title（参考訳）: CLARO:VLMエージェントを用いた開語彙グラスピングのためのクラッタ認識ロボットオーケストレータ
- Abstract要約: 我々は、認知と操作の一連のスキルを編成するVLMエージェントであるCLAROを提案する。
動的シミュレーション環境において, CLARO を様々な手法に対して評価する。
我々は,ロボットアームにCLAROを配置し,88.8%の成功率を達成した。
- 参考スコア（独自算出の注目度）: 19.564681483361287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robots that follow natural-language instructions unlock a wide range of autonomous applications in households, warehouses, and labs. Real-world environments are diverse and often heavily cluttered, requiring robots to plan over multiple steps, act, and replan as they work toward a goal. We present CLARO (CLutter-Aware Robot Orchestrator), a VLM agent that orchestrates a set of perception and manipulation skills: open-vocabulary object detection, segmentation, 6-DoF grasping, and non-prehensile pushing to locate and retrieve a language-specified target in clutter. CLARO maintains a memory of its past actions to support long-horizon execution, and emits manipulation targets (grasp poses/3D waypoints) allowing transfer across robot arms without task-specific training. We evaluate CLARO against a range of methods on a dynamic simulation environment and standard image-based benchmarks, demonstrating strong generalization across object classes, lighting, and clutter levels. CLARO attains an average success rate of 89.1%, a relative improvement of over 16% on the strongest competing method in high cluttered scenes. We further analyze performance along grounding and grasping axes to characterize where each method succeeds and fails. Finally, we deploy CLARO on a robot arm across diverse cluttered scenes, achieving a success rate of 88.8%, and demonstrating strong sim2real generalizability.
- Abstract（参考訳）: 自然言語の指示に従うロボットは、家庭、倉庫、研究室で幅広い自律的なアプリケーションを解き放つ。
現実の環境は多様で、しばしば散らかっているため、ロボットは目標に向かって進むために、複数のステップを計画し、行動し、計画を立てる必要がある。
CLARO(Clutter-Aware Robot Orchestrator)は,開語彙オブジェクト検出,セグメンテーション,6-DoFグルーピング,非包括的プッシュといった,認識と操作の一連のスキルを編成するVLMエージェントである。
CLAROは、長い水平実行をサポートするために過去の動作の記憶を維持し、タスク固有のトレーニングなしでロボットアームを移動可能な操作ターゲット(グラスプポーズ/3Dウェイポイント)を出力する。
我々は、CLAROを動的シミュレーション環境と標準画像ベースベンチマークの様々な手法に対して評価し、オブジェクトクラス、照明、およびクラッタレベルの強い一般化を実証した。
CLAROは89.1%の平均的な成功率に達し、高い散らばったシーンで最強の競合法で16%以上改善した。
さらに,各手法が成功し,失敗する箇所を特徴付けるために,接地および把持軸に沿った性能を解析する。
最後に,ロボットアームにCLAROを配置し,88.8%の成功率を達成し,強いシム2リアルな一般化性を示す。
関連論文リスト
- Scaling Online Exploration for Robot Agents [147.6570058866968]
RAX(Robot Agent eXploration)は、ロボットエージェントのためのオープンソースのフレームワークである。
本稿では,単腕,両腕,外陰部,移動体,ヒューマノイドシステムを用いて,オンライン探索の精度向上と長期操作作業のスケールについて検討する。
RAXは、人間のデモンストレーションなしで、メモリ依存、調音、高精度、変形可能、および長距離移動操作タスクを自律的に学習する。
論文 参考訳（メタデータ） (2026-10-15T18:00:28Z) - QDTraj: Exploration of Diverse Trajectory Primitives for Articulated Objects Robotic Manipulation [2.7261369763665377]
本稿では,ロボットが広い範囲の明瞭な物体を操作できるようにする手法を提案する。
我々は,ロボットの低レベル軌道プリミティブを自動生成し,与えられた物体の調音を操作できる。
QDTrajはヒンジとスライダのアクティベーションタスクの少なくとも5倍の多様な軌道を生成する。
論文 参考訳（メタデータ） (2026-04-24T13:45:04Z) - MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation [56.30931340537373]
MolmoSpacesは、ロボットポリシーのベンチマークをサポートするための、完全にオープンなエコシステムである。
MolmoSpacesは230万以上の屋内環境で構成されている。
MolmoSpaces-Benchは8つのタスクのベンチマークスイートで、ロボットが私たちの多様なシーンとリッチな注釈付きオブジェクトと対話する。
論文 参考訳（メタデータ） (2026-02-11T20:16:31Z) - RoBridge: A Hierarchical Architecture Bridging Cognition and Execution for General Robotic Manipulation [90.81956345363355]
RoBridgeは、一般的なロボット操作のための階層的なインテリジェントアーキテクチャである。
大規模事前学習型視覚言語モデル(VLM)に基づくハイレベル認知プランナー(HCP)で構成されている。
強化学習の手続き的スキルを解き放ち、認知と実行のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2025-05-03T06:17:18Z) - FLEX: A Framework for Learning Robot-Agnostic Force-based Skills Involving Sustained Contact Object Manipulation [9.292150395779332]
本稿では,力空間におけるオブジェクト中心の操作ポリシーを学習するための新しいフレームワークを提案する。
提案手法は, 動作空間を単純化し, 不要な探索を低減し, シミュレーションオーバーヘッドを低減させる。
評価の結果,本手法はベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2025-03-17T17:49:47Z) - AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。
提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。
この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
論文 参考訳（メタデータ） (2025-02-23T03:26:06Z) - RoboPoint: A Vision-Language Model for Spatial Affordance Prediction for Robotics [46.63773228934993]
本稿では,ロボットドメインやニーズに対して,視覚言語モデル(VLM)を命令チューニングする,自動合成データ生成パイプラインを提案する。
パイプラインを使用して、与えられた言語命令に対する画像キーポイントの価格を予測するVLMであるRoboPointを訓練する。
実験の結果,RoboPointは空間空き量の予測精度が21.8%,下流タスクの成功率が30.5%,最先端VLMが21.8%向上していることがわかった。
論文 参考訳（メタデータ） (2024-06-15T19:22:51Z) - Spatial-Language Attention Policies for Efficient Robot Learning [32.215861214516735]
本稿では,空間言語アテンションポリシー(SLAP)を解法として提案する。
SLAPは入力表現として3次元トークンを使用し、単一のマルチタスク、言語条件のアクション予測ポリシーをトレーニングする。
一つのモデルで8つのタスクにまたがる実世界の80%の成功率を示し、未確認な乱雑なオブジェクト構成を導入した場合、47.5%の成功率を示す。
論文 参考訳（メタデータ） (2023-04-21T20:02:49Z) - Bottom-Up Skill Discovery from Unsegmented Demonstrations for
Long-Horizon Robot Manipulation [55.31301153979621]
我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。
未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。
提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-28T16:18:54Z)
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。