論文の概要: FLORA: An Open Model Suite for Scaling Robotics Data Engines

• arxiv url: http://arxiv.org/abs/2610.31779v1
• Date: Thu, 22 Oct 2026 18:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.261032
• Title: FLORA: An Open Model Suite for Scaling Robotics Data Engines
• Title（参考訳）: FLORA: ロボットデータエンジンをスケールするためのオープンモデルスイート
• Abstract要約: 本稿では,GR00Tモデルのトレーニングに使用される産業用品質データエンジンであるFloraを紹介する。 FloraはキャプションベンチマークのWGO-Benchと報酬ベンチマークのRoboRewardとRoboometerでSOTAスコアを達成している。 このモデルはAPIベースの代替製品よりも大幅に安く、GPT-6 Astraの約125倍安い。
• 参考スコア（独自算出の注目度）: 87.0363088533688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The life-cycle of robotics foundation models crucially depends on data labels. Outcome reward labels are needed for monitoring real-world deployments. Process reward labels are needed during RL post-training. Timestamped captions are needed for filtering and balancing pretraining data. We present Flora, an industrial-quality data engine used for training GR00T models, that simultaneously covers these capabilities. Flora achieves SOTA scores on the captioning benchmark WGO-Bench and reward benchmarks RoboReward and Robometer. On internal benchmarks it is competitive with GPT-6 Astra while beating other frontier models. The model is substantially cheaper than API-based alternatives, roughly 125 times cheaper than GPT-6 Astra. Florais battle tested at scale, labeling 200,000 hours of data per day across 512 GB300s. By open-sourcing our data engine, we enable researchers to scale custom robotics datasets and explore emerging applications such as physical auto-research and human-to-robot transfer.
• Abstract（参考訳）: ロボットファンデーションモデルのライフサイクルは、データラベルに大きく依存する。 実際のデプロイメントを監視するには、成果報酬ラベルが必要です。 RL後トレーニングにはプロセス報酬ラベルが必要である。 事前学習データのフィルタリングとバランスにはタイムスタンプのキャプションが必要である。 本稿では,GR00Tモデルのトレーニングに使用する産業用品質データエンジンであるFloraについて紹介する。 FloraはキャプションベンチマークのWGO-Benchと報酬ベンチマークのRoboRewardとRoboometerでSOTAスコアを達成している。 内部ベンチマークでは、GPT-6 Astraと競合し、他のフロンティアモデルに勝っている。 このモデルはAPIベースの代替製品よりも大幅に安く、GPT-6 Astraの約125倍安い。 Floraisは大規模なテストを行い、512GB300で1日に20万時間のデータをラベル付けした。 データエンジンをオープンソース化することで、研究者はカスタムロボティクスデータセットをスケールし、物理的な自動検索や人間とロボットの移動といった新しいアプリケーションを探ることができます。

関連論文リスト

• DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
  ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。 本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。 JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
  論文  参考訳（メタデータ） (2026-06-15T14:21:35Z)
• ARFBench: Benchmarking Time Series Question Answering Ability for Software Incident Response [33.890280378630884]
  時系列質問回答(TSQA)は、基礎モデルの未調査機能として有望である。 ARFBenchは、142の時系列にわたる750の質問と、Datadogの内部テレメトリからのみ得られる63のプロダクションインシデントから538万のデータポイントで構成されている。 我々は,F1とフロンティアモデルに比較して精度の高い合成データと実データを組み合わせた,新しいTSFM+VLMハイブリッドプロトタイプを開発した。
  論文  参考訳（メタデータ） (2026-04-23T01:45:10Z)
• Data-Driven Autoregressive Power Prediction for GTernal Robots in the Robotarium [0.0]
  マルチロボットシステムのためのエネルギー認識アルゴリズムは、正確な消費電力モデルを必要とする。 ジョージア工科大学ロボット館に配備されたGTernalモバイルロボットプラットフォームに対して,軽量な自己回帰予測器を提案する。
  論文  参考訳（メタデータ） (2026-03-14T11:43:42Z)
• A Pragmatic VLA Foundation Model [66.76609538850478]
  我々はLingBot-VLAを開発し、9つの人気のデュアルアームロボット構成から約2万時間のリアルタイムデータを収集した。 我々のモデルは競争相手よりも明らかな優位性を実現し、その強靭な性能と広範な一般化性を示している。 ロボット学習の分野を前進させるために、コード、ベースモデル、ベンチマークデータへのオープンアクセスを提供する。
  論文  参考訳（メタデータ） (2026-01-26T17:08:04Z)
• MTF-Grasp: A Multi-tier Federated Learning Approach for Robotic Grasping [0.0]
  Federated Learning(FL)は、プライバシ保護と協調的なモデルのトレーニングを可能にする機械学習パラダイムである。 MTF-Graspは,ロボット間の非IIDデータ分散がもたらす固有の課題を認識し,多層FLアプローチである。 提案手法は,量スキュードコーネルとジャカードの把握データセットにおいて,従来のFLセットアップを最大8%向上させる。
  論文  参考訳（メタデータ） (2025-07-14T11:17:28Z)
• AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
  AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。 われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。 実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-01-23T18:45:54Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification [4.703075836560585]
  私たちは、高機能な機械学習技術、すなわちゲート付きリカレントニューラルネットワークが、ターゲットの脚を持つロボットが、それが横断する地形を正しく分類することを可能にすることを示しています。 半教師付きモデルの分類結果を大幅に改善するために, 生の未ラベルデータがどのように使用されるかを示す。
  論文  参考訳（メタデータ） (2020-11-24T06:25:19Z)

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。