論文の概要: Sensorimotor Alignment: A Platonic Proxy for Embodied Policy Success
- arxiv url: http://arxiv.org/abs/2610.31670v2
- Date: Fri, 23 Oct 2026 05:34:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.242003
- Title: Sensorimotor Alignment: A Platonic Proxy for Embodied Policy Success
- Title（参考訳）: Sensorimotor Alignment: 身体的政策成功のためのプラトンプロキシ
- Abstract要約: 本稿では,モデルの知覚表現が物理運動の幾何学とどの程度うまく一致しているかを計測する,トレーニング不要なオフライン指標であるSensorimotor Alignment(S2$)を提案する。
S2$は、モデルファミリ間のダウンストリームロボットタスクの成功と正の相関関係があることが判明した。
さらに$S2$は、視覚言語アクションモデルに微調整する前に、将来有望な視覚言語モデルバックボーンを特定することもできる。
- 参考スコア（独自算出の注目度）: 15.29886440903302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot foundation models are typically evaluated through costly closed-loop rollouts, motivating low-cost offline proxies for model capability. The Platonic Representation Hypothesis (PRH) suggests that as representations improve, modalities such as vision and language converge toward a shared statistical model of reality. We ask whether motion trajectories form another such modality: as embodied models become more capable, should their sensory representations converge toward the structure of physical motion? To test this, we propose Sensorimotor Alignment ($S^2$), a training-free offline metric that measures how well a model's sensory representation aligns with the geometry of physical motion. We find that $S^2$ correlates positively with downstream robot task success across model families, making it a low-cost offline proxy for prioritizing models before closed-loop evaluation. $S^2$ can also identify promising vision-language model (VLM) backbones before costly fine-tuning into vision-language-action models (VLAs). Beyond this correlation, $S^2$ offers representation-level explanations for phenomena observed in VLAs and world action models (WAMs). With $S^2$, we extend PRH to robotics and make sensorimotor alignment measurable, offering a low-cost, representation-level view of robot foundation models that closed-loop success rates alone cannot reveal.
- Abstract（参考訳）: ロボットファンデーションモデルは、通常、コストのかかるクローズドループロールアウトを通じて評価され、モデル能力のために低コストのオフラインプロキシを動機付ける。
プラトン表現仮説(PRH)は、表現が改善するにつれて、視覚や言語などのモダリティが現実の共有統計モデルに収束することを示している。
我々は、運動軌跡が別のモダリティを形成するかどうかを問う: 具体化されたモデルがより有能になるにつれて、それらの感覚表現は物理的な運動の構造に向かって収束するのか?
これをテストするために、モデルの感覚表現が物理的な運動の幾何学とどの程度うまく一致しているかを測定するトレーニング不要のオフライン計量であるSensorimotor Alignment(S^2$)を提案する。
S^2$は、モデルファミリ間のダウンストリームロボットタスクの成功と正に相関し、クローズドループ評価の前にモデルを優先順位付けするための低コストのオフラインプロキシとなる。
S^2$は、視覚言語モデル(VLA)に微調整する前に、有望な視覚言語モデル(VLM)のバックボーンを特定することもできる。
この相関以外にも、$S^2$はVLAや世界行動モデル(WAM)で観測される現象の表現レベル説明を提供する。
S^2$で、PRHをロボット工学に拡張し、センサーモデレーターのアライメントを計測し、クローズドループの成功率だけでは明らかにできない、低コストで表現レベルのロボット基礎モデルのビューを提供する。
関連論文リスト
- Physical Canvas: A Vision Tactile World Model For Robot Policy Evaluation And Learning [17.656047835860864]
PhysCanvas(フィスキャンバス)は、接触に富むロボット操作のための状態整合型触覚世界モデルである。
マルチビューRGB、触覚画像、マーカー変位、タスク状態、アクションを統一された視覚空間内で統合する。
我々の一貫性に留意したポストトレーニングでは、凍結したシーンリワードモデル、モダリティリワードモデル、ステートリワードモデルを使用して、シーンの保存、視覚的触覚の整合性、実際のタスク結果との整合性を監督しています。
論文 参考訳（メタデータ） (2026-10-20T17:54:03Z) - Motus2: A Self-Evolving General World Model for Dexterous Manipulation [44.91498765476382]
一般的な実施エージェントは、統一されたシステム内で知覚し、予測し、行動し、評価し、改善するべきである。
我々は、デクスタラス操作のための自己進化型一般世界モデルであるMotus2を提案する。
論文 参考訳（メタデータ） (2026-08-31T04:44:33Z) - Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。
我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。
Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
論文 参考訳（メタデータ） (2026-08-29T01:58:19Z) - Inverting the Bellman Equation: From $Q$-Values to World Models [57.827849584133425]
我々は、十分に豊富な報酬関数のセットで訓練された価値に基づくエージェントが、ユニークで正確な世界モデルを暗黙的にエンコードしていることを証明した。
ttReacherエージェントの暗黙の世界モデルにのみ訓練されたポリシーは、位置のみのトレーニングにもかかわらず、分布外、速度に基づく目標に準最適であることがわかった。
論文 参考訳（メタデータ） (2026-06-19T07:26:14Z) - Dissecting model behavior through agent trajectories [15.811597127775812]
私たちはインテント・エグゼクティブのギャップを形式化し、モデルが意図するものと、ハーネスが実行しているものとのミスマッチと、その逆です。
このハーネスモデルアライメントの効果を説明するために,SSA(Simple Strands Agent)と呼ばれるシンプルでカスタマイズ可能なハーネスを開発した。
i) 一般的なエージェントベンチマークにおいて,多種多様なモデルプロジェクタファミリーが報告したpass@1のパフォーマンスを再現または改善し, (ii) SSAが生成した128k軌道の解析に基づいて構築する。
論文 参考訳（メタデータ） (2026-06-16T03:17:03Z) - HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents [71.09493646932046]
本稿では,実世界のエンボディエージェントに特化して設計された基礎モデルのファウンデーションモデルであるHY-Embodied-0.5を紹介する。
HY-Embodied-0.5スイートは、エッジ配置用に設計された2Bアクティベートパラメータを持つ効率的なモデルと、複雑な推論をターゲットとした32Bアクティベートパラメータを持つ強力なモデルである。
私たちのMoT-2Bモデルは16ベンチマークで同等の大きさの最先端モデルより優れていますが、32BはGemini 3.0 Proのようなフロンティアモデルに匹敵するパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2026-04-08T17:59:48Z) - FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
$textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。
$textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。
この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
論文 参考訳（メタデータ） (2025-05-21T15:33:27Z) - Misspecification in Inverse Reinforcement Learning [80.91536434292328]
逆強化学習(IRL)の目的は、ポリシー$pi$から報酬関数$R$を推論することである。
IRLの背後にある主要な動機の1つは、人間の行動から人間の嗜好を推測することである。
これは、それらが誤って特定され、現実世界のデータに適用された場合、不適切な推測につながる恐れが生じることを意味する。
論文 参考訳（メタデータ） (2022-12-06T18:21:47Z) - Physics-informed Variational Autoencoders for Improved Robustness to Environmental Factors of Variation [0.6384650391969042]
p$3$VAEは、データ取得条件に関連する変動の潜在要因に関する事前の物理的知識を統合する変分自動エンコーダである。
本稿では,機械学習部と物理部のバランスをとる半教師付き学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-19T09:32:15Z) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-05-31T16:12:44Z)
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。