論文の概要: Co^2Gen: Collaboratively Generating Task Plans for Decentralized Multi-Robot and Human Collaboration

• arxiv url: http://arxiv.org/abs/2610.30671v1
• Date: Thu, 22 Oct 2026 03:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.201743
• Title: Co^2Gen: Collaboratively Generating Task Plans for Decentralized Multi-Robot and Human Collaboration
• Title（参考訳）: Co^2Gen: 分散型マルチロボットとヒューマンコラボレーションのためのタスクプランを協調的に生成する
• Abstract要約: 本稿では,人間の遠隔操作を必要とせず,分散VLAトレーニングのためのマルチロボット協調データの自動生成フレームワークを提案する。 本研究では,分散協調作業におけるVLAモデルの微調整に使用すると,人手による協調作業データに基づくVLAモデルのタスク性能とが一致していることを示す。
• 参考スコア（独自算出の注目度）: 2.750898129246409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual Language Action (VLA) models are designed to be generalist robot models that can be implemented across embodiments, tasks and environments. However, their ability to collaborate with other robots and humans remains underexplored. In this work, we propose a framework to automate the generation of multi-robot collaborative data for decentralized VLA training without requiring human teleoperation. Our framework first utilizes a decentralized collaborative planning approach to generate multi-robot collaborative robot plans in the form of an executable function. We then utilize the collaborative plan to produce collaborative demonstration data to finetune VLA models in a decentralized manner. We show that our approach produces demonstration data that when used to finetune VLA models on decentralized collaboration tasks matches the task performance of VLA models finetuned on human-teleoperated collaborative data.
• Abstract（参考訳）: Visual Language Action(VLA)モデルは、エンボディメント、タスク、環境にまたがって実装できる汎用ロボットモデルとして設計されている。 しかし、他のロボットや人間と協力する能力は未熟である。 本研究では,人間の遠隔操作を必要とせず,分散VLAトレーニングのためのマルチロボット協調データの自動生成を行うフレームワークを提案する。 本フレームワークは,まず分散型協調計画手法を用いて,実行可能関数の形で複数ロボット協調型ロボット計画を生成する。 次に、協調的な計画を用いて、協調的なデモデータを作成し、分散的にVLAモデルを微調整する。 本研究では,分散協調作業におけるVLAモデルの微調整に使用すると,人手による協調作業データに基づくVLAモデルのタスク性能とが一致していることを示す。

関連論文リスト

• DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication [24.566804836315907]
  DuoMindは、セマンティックコミュニケーションによるマルチロボット協調のための分散階層フレームワークである。 各ロボットは、低レベルの実行にVLAベースのアクションモデルを使用し、高レベルの推論とエージェント間の調整にVLMベースのオーケストレータを使用する。
  論文  参考訳（メタデータ） (2026-10-01T17:53:09Z)
• Co-VLA: Consensus-based Federated Training for Vision-Language-Action Models [15.09812270727849]
  視覚言語アクションモデル(VLA)は、汎用ロボット学習において有望なパラダイムとして登場した。 本稿では,連合型VLAトレーニングにおいて,ALMM(Alternating Direction Method of Multipliers)を用いたコンセンサス最適化を適用したCo-VLAを提案する。 このアルゴリズムは,定位適応型と等級適応型の両方のアダプタを用いて,フルモデルトレーニングとパラメータ効率の微調整の両方をサポートすることを示す。
  論文  参考訳（メタデータ） (2026-09-17T09:02:36Z)
• CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
  CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。 実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。 その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T17:26:08Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• LLaRA: Supercharging Robot Learning Data for Vision-Language Policy [56.505551117094534]
  我々はLLaRA: Large Language and Robotics Assistantを紹介した。 まず、既存の行動クローニングデータセットからロボットのための会話スタイルの指導データを生成する自動パイプラインを提案する。 このようなデータセットを限定的に微調整したVLMは、ロボット制御において有意義な行動決定を導出できることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:59:12Z)
• LIT: Large Language Model Driven Intention Tracking for Proactive Human-Robot Collaboration -- A Robot Sous-Chef Application [4.519544934630495]
  大型言語モデル (LLM) と視覚言語モデル (VLM) は、ロボットが自然言語のプロンプトを制御アクションに接地できるようにする。 言語駆動型意図追跡(LIT)は,人間の長期動作をモデル化し,ロボットを積極的に協調するための次の人間の意図を予測する。
  論文  参考訳（メタデータ） (2024-06-19T19:18:40Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Joint Mind Modeling for Explanation Generation in Complex Human-Robot Collaborative Tasks [83.37025218216888]
  本稿では,人間とロボットのコラボレーションにおいて,人間のようなコミュニケーションを実現するための新しい説明可能なAI(XAI)フレームワークを提案する。 ロボットは、人間のユーザの階層的なマインドモデルを構築し、コミュニケーションの一形態として自身のマインドの説明を生成する。 その結果,提案手法はロボットの協調動作性能とユーザ認識を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-07-24T23:35:03Z)

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。