論文の概要: Predictive Long-Horizon Progress Modeling with Action-Aware Quantification

• arxiv url: http://arxiv.org/abs/2610.32776v1
• Date: Fri, 23 Oct 2026 15:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.592841
• Title: Predictive Long-Horizon Progress Modeling with Action-Aware Quantification
• Title（参考訳）: アクション・アウェア・量子化を用いた予測的長距離進行モデリング
• Abstract要約: アクション対応量子化(Action-Aware Quantification)は、長い水平軌道をオブジェクトレベルのサブタスクに分解する統一された進歩仕様である。 我々は、ジョイント・ビデオ・プログレス・ラーニングによって訓練された予測的進歩批評家であるNimCriticを紹介した。 NimCritic は、確立された Video Progress Benchmark (VPB) と LOOM で、最先端のプロセス報酬モデル (PRM) に適合する。
• 参考スコア（独自算出の注目度）: 7.021968033191757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative and dense task progress feedback is essential for robotic manipulation across data curation, policy evaluation, and reinforcement learning. Existing progress annotations often rely on sparse keyframe markings derived from subjective manual judgments, limiting their scalability and cross-task consistency, particularly in long-horizon manipulation. To overcome these challenges, we propose action-aware quantification, a unified progress specification that decomposes long-horizon trajectories into object-level subtasks via a vision-language model (VLM) and assigns weighted action credits to capture fine-grained execution dynamics. Using VLM auto-labeling and human calibration, we construct an 800+ hour training video dataset and LOOM, a long-horizon progress benchmark containing 19,618 human-calibrated evaluation frames. To model these dense progress dynamics, we introduce NimCritic, a predictive progress critic trained via Joint Video-Progress Learning. We further incorporate Historical Progress Perturbation to mitigate sequential drift, and design a contrastive Video-Progress Alignment objective that bridges asymmetric expert streams by mutually grounding intermediate visual dynamics and denoised progress trajectories. NimCritic matches or outperforms state-of-the-art process reward models (PRMs) on the established Video Progress Benchmark (VPB) and LOOM, surpassing GVL (GPT-6-Sol) on VPB by about 65% in terminal success accuracy (TSA). On the large-scale RoboArena policy evaluation benchmark, it also retrieves human-selected successful rollouts with about 97% overall recall. These results establish action-aware quantification as a scalable foundation for dense progress feedback in robotic manipulation.
• Abstract（参考訳）: 定量的かつ高密度なタスク進捗フィードバックは、データキュレーション、ポリシー評価、強化学習を通じたロボット操作に不可欠である。 既存のプログレッシブアノテーションは、特に長距離操作において、主観的手動判断から派生した疎いキーフレームマーキングに依存し、スケーラビリティとクロスタスク一貫性を制限していることが多い。 これらの課題を克服するために,視覚言語モデル (VLM) を用いて, 長期軌跡をオブジェクトレベルのサブタスクに分解し, 重み付けされた行動クレジットを付与し, きめ細かな実行動態を捉える, 統合された進行仕様である行動認識量化を提案する。 VLMオートラベルと人間のキャリブレーションを用いて、800時間以上のトレーニングビデオデータセットと、19,618個の人間キャリブレーションされた評価フレームを含む長期進行ベンチマークであるLOOMを構築した。 このような密集進行ダイナミクスをモデル化するために,共同ビデオ・プログレッシブ・ラーニングによって訓練された予測進行評論家であるNimCriticを紹介した。 さらに、逐次ドリフトを緩和するためにヒストリープログレッシブ摂動を取り入れ、中間的な視覚力学と認知されたプログレッシブ軌跡を相互に接地することで非対称なエキスパートストリームを橋渡しする、コントラッシブなビデオプログレッシブアライメント目標を設計する。 NimCriticは、確立されたビデオプログレッシブベンチマーク (VPB) とLOOMで最先端のプロセス報酬モデル (PRM) に適合し、VPBでGVL (GPT-6-Sol) を約65%上回っている。 大規模なRoboArenaポリシー評価ベンチマークでは、人間によって選択されたロールアウトを、全体の97%のリコールで検索する。 これらの結果は、ロボット操作における高密度な進行フィードバックのためのスケーラブルな基盤として行動認識量化を確立する。

関連論文リスト

• ProcVLM: Learning Procedure-Grounded Progress Rewards for Robotic Manipulation [25.420455584290465]
  ロングホライゾンのロボット操作は、タスクが手続き段階を通してどのように進行するかを反映した密集したフィードバックを必要とする。 本稿では,プログレッシブ・アウェア・ビジョン言語モデルであるProcVLMについて述べる。
  論文  参考訳（メタデータ） (2026-05-09T08:00:59Z)
• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• Recurrent Reasoning with Vision-Language Models for Estimating Long-Horizon Embodied Task Progress [32.47071055191472]
  Recurrent Reasoning Vision-Language Model(textR2$VLM)を提案する。 本モデルでは,局所的なビデオスニペットを反復的に処理し,グローバルなコンテキストを維持するリカレント推論フレームワークを特徴とする。 ALFREDとEgo4Dから生成された大規模で自動生成されたデータセットに対して、textR2$VLMをトレーニングします。
  論文  参考訳（メタデータ） (2026-03-18T03:13:29Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• PROGRESSLM: Towards Progress Reasoning in Vision-Language Models [10.481670664271073]
  タスクの進捗を見積もるには、静的な視覚的内容を認識するのではなく、長い水平運動を推理する必要がある。 本稿では,視覚言語モデルにおける進捗推論を体系的に評価するベンチマークであるProgress-Benchを紹介する。 さらに、トレーニングフリープロンプトとトレーニングベースアプローチの両方を通じて、人間にインスパイアされた2段階進行推論パラダイムについて検討する。
  論文  参考訳（メタデータ） (2026-01-21T17:56:59Z)
• PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation [27.791908160098625]
  PALMは、インタラクション中心のアベイランス推論とサブタスクプログレスキューに関するポリシー学習を構築する。 Palmはシミュレーションや実世界の実験において、一貫してベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-11T21:00:58Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)

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。