論文の概要: Dream What I Can: Sparse Visual Planning for Long-Horizon Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.24981v1
• Date: Sun, 18 Oct 2026 03:26:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:18:34.343638
• Title: Dream What I Can: Sparse Visual Planning for Long-Horizon Robot Manipulation
• Title（参考訳）: 長距離ロボットマニピュレーションのためのまばらなビジュアルプランニング
• Abstract要約: 私たちは、疎い視覚計画を通じてビデオモデルを構築する階層的なポリシーであるDreamCanを紹介します。 事前訓練されたビデオモデルと低レベルビズモータポリシーから適応した高レベルプランナは、到達性とタスクユーティリティのバランスをとる疎視サブゴールを生成する。 このシステムは、箱の折りたたみや、見えないオブジェクトの組み合わせによるパッキングなど、現実世界の両面的な課題もこなす。
• 参考スコア（独自算出の注目度）: 57.576371111853454
• License:
• Abstract: Video models provide rich priors for generalizable robotic manipulation, but plausible visual futures are not always executable. We introduce DreamCan, a hierarchical policy that grounds video models through sparse visual planning: a high-level planner adapted from a pre-trained video model and a low-level visuomotor policy. Rather than predicting dense trajectories, the high-level planner generates sparse visual subgoals that balance reachability and task utility. From offline, action-free robot videos, we estimate these quantities and use dynamic programming to select subgoal sequences without manual annotations. The resulting subgoals are more reliably attained than uniformly spaced alternatives, and the full system outperforms language, dense-video, and uniform-subgoal planners, reaching high planning success rates on Language-Table tasks and 91.2% success on LIBERO-Long with a 0.1B-parameter low-level policy. Additional suboptimal videos and test-time compute further improve success. The system also performs challenging real-world bimanual tasks, including box folding and packing with unseen object combinations. More results are available at https://dreamcan.github.io/.
• Abstract（参考訳）: ビデオモデルは、一般化可能なロボット操作のための豊富な事前情報を提供するが、もっともらしい視覚的未来は常に実行可能であるとは限らない。 本稿では,事前訓練されたビデオモデルと低レベルのビズモタポリシを応用した高レベルプランナであるDreamCanを紹介した。 高レベルのプランナーは、密度の高い軌跡を予測するのではなく、到達性とタスクユーティリティのバランスをとるスパースなビジュアルサブゴールを生成する。 オフラインでアクションフリーなロボットビデオから、これらの量を推定し、動的プログラミングを用いて手動のアノテーションを使わずにサブゴールシーケンスを選択する。 結果として得られるサブゴールは、一様間隔の代替手段よりも確実に達成され、完全なシステムは言語、高密度ビデオ、一様サブゴールプランナーより優れ、Language-Tableタスクにおける高い計画成功率と、0.1Bパラメータの低レベルポリシーによるLIBERO-Longでの91.2%の成功を達成している。 追加の最適化ビデオとテストタイムの計算により、さらなる成功が期待できる。 このシステムは、箱の折りたたみや、見えないオブジェクトの組み合わせによるパッキングなど、現実世界の両面的な課題もこなす。 さらなる結果はhttps://dreamcan.github.io/で公開されている。

関連論文リスト

• Visual Cue Guided Video Planning for Generalizable Robot Navigation [12.951864480301294]
  CueNavは、ビジュアルキューガイド付きビデオプランニングとエンボディメント固有の逆ダイナミクスモデル(IDM)を組み合わせたモデルベースのナビゲーションフレームワークである。 グローバルタスクコンテキストを符号化するビジュアルキューにより、CueNavはキューなしで計画するよりも迷路ナビゲーションで約2倍の成功を達成している。 以上の結果から,エボディメント特異的なアクショングラウンドディングを用いた視覚誘導型映像プランニングが,汎用的なナビゲーションフレームワークへの道筋をたどっていることが示唆された。
  論文  参考訳（メタデータ） (2026-09-15T07:11:21Z)
• RoboTALES: Learning Reasoning-Guided Robot Policies via Task-Aligned Simulated Futures [51.85284871989367]
  タスク整合型未来を学習し,ロボットポリシーのトレーニングに使用するフレームワークであるRoboTALESを提案する。 提案手法では,(1)複雑なタスクを一連のサブゴールに分割してモデルの想像を導く階層的LCMベースのプランナ,(2)これらの将来性を評価し,モデルの内部表現を目標に集中させるために報酬に基づくフィードバックを利用するVLMベースの批判,という2つの重要なイノベーションを導入する。
  論文  参考訳（メタデータ） (2026-07-07T08:58:29Z)
• DreamPlan: Efficient Reinforcement Fine-Tuning of Vision-Language Planners via Video World Models [17.14390355735799]
  視覚言語モデル(VLM)の強化微調整のためのフレームワークであるDreamPlanを紹介する。 コストのかかる物理的ロールアウトに頼る代わりに、DreamPlanはまずゼロショットのVLMを利用してインタラクションデータを収集する。 これらの仮想ロールアウトを利用することで、物理およびタスク固有の知識をVLMに効率的に注入する。
  論文  参考訳（メタデータ） (2026-03-17T17:59:00Z)
• NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning [36.20611975009607]
  クローズドループVLMとビデオプランニングを統合した階層型フレームワークであるNovaPlanを紹介する。 高いレベルでは、VLMプランナーはタスクをサブゴールに分解し、クローズドループでロボットの実行を監視する。 低レベルのロボット動作を計算するために,タスク関連オブジェクトキーポイントと人手ポーズの両方を抽出し,活用する。
  論文  参考訳（メタデータ） (2026-02-23T18:35:18Z)
• Large Video Planner Enables Generalizable Robot Control [117.49024534548319]
  汎用ロボットは、様々なタスクや環境にまたがって一般化する意思決定モデルを必要とする。 最近の研究は、マルチモーダル大言語モデル(LM)をアクション出力で拡張し、視覚-アクション(VLA)システムを構築することで、ロボット基盤モデルを構築している。 本稿では,ロボット基礎モデル構築における主要なモダリティとして,大規模ビデオ事前学習を用いるための代替パラダイムについて検討する。
  論文  参考訳（メタデータ） (2025-12-17T18:35:54Z)
• Gondola: Grounded Vision Language Planning for Generalizable Robotic Manipulation [62.711546725154314]
  一般化可能なロボット操作のための大規模言語モデル(LLM)に基づく基盤的視覚言語計画モデルであるゴンドラについて紹介する。 G Gondola氏はマルチビューイメージとヒストリプランを使って、インターリーブされたテキストとターゲットオブジェクトとロケーションのセグメンテーションマスクを備えた次のアクションプランを作成する。 G Gondolaは、GemBenchデータセットの4つのレベルすべてにわたって、最先端のLCMベースのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-06-12T20:04:31Z)
• Efficient Robotic Policy Learning via Latent Space Backward Planning [17.770562202624962]
  現行のロボット計画手法は、しばしば、全画素の詳細を持つ多フレーム画像の予測に頼っている。 本稿では,その課題を最終目標とするLBP(Latent Space Backward Planning scheme)を提案する。 LBPは既存の細粒度・前方計画法よりも優れた性能を示し,SOTA性能を実現している。
  論文  参考訳（メタデータ） (2025-05-11T06:13:51Z)
• Plan-Seq-Learn: Language Model Guided RL for Solving Long Horizon Robotics Tasks [50.27313829438866]
  Plan-Seq-Learn (PSL) は、抽象言語と学習した低レベル制御の間のギャップを埋めるためにモーションプランニングを使用するモジュラーアプローチである。 PSLは85%以上の成功率、言語ベース、古典的、エンドツーエンドのアプローチを達成している。
  論文  参考訳（メタデータ） (2024-05-02T17:59:31Z)
• Video Language Planning [137.06052217713054]
  ビデオ言語計画法は木探索法により構成されるアルゴリズムで、(i)視覚言語モデルにポリシーと値関数の両方を提供するよう訓練し、(ii)動的モデルとしてテキストからビデオモデルを作成する。 提案アルゴリズムは,最終作業の完了方法を記述した詳細なマルチモーダル(ビデオと言語)仕様を生成する。 シミュレーションロボットと実ロボットの両方の従来の手法と比較して、長時間作業の成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-16T17:48:45Z)

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。