論文の概要: Tiny Recursive Policy: Recursive Latent Refinement for Visuomotor Control
- arxiv url: http://arxiv.org/abs/2610.33288v1
- Date: Fri, 23 Oct 2026 20:54:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.293551
- Title: Tiny Recursive Policy: Recursive Latent Refinement for Visuomotor Control
- Title（参考訳）: Tiny Recursive Policy: Recursive Latent Refinement for Visuomotor Control
- Abstract要約: 本稿では,パラメータ効率の良い行動閉鎖ポリシーであるTiny Recursive Policy(TRP)を紹介する。
各制御ステップでは、TRPは高レベルおよび低レベルの潜伏状態を繰り返し更新する。
TRPはマルチタスクと数ショット設定で競合的に動作する。
- 参考スコア（独自算出の注目度）: 0.37241274058257084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behaviour cloning has become a powerful approach for robotic manipulation, but many modern policies reconstruct their internal representation from a fixed observation window at each prediction and do not maintain persistent latent context throughout execution. We introduce Tiny Recursive Policy (TRP), a parameter-efficient behaviour-cloning policy that combines persistent temporal state with recursive latent refinement. At each control step, TRP repeatedly updates high- and low-level latent states using a shared computation module before decoding an action sequence, and propagates the resulting state to subsequent predictions. We evaluate TRP across LIBERO-100, MetaWorld ML45, and the LIBERO-Mem benchmarks. TRP performs competitively across multi-task and few-shot settings and shows substantial gains on long-horizon and context-dependent tasks, while using significantly fewer parameters than large generative baselines. Execution-time perturbations show that reliance on the persistent carry increases with temporal-context demand, while training with carry perturbations substantially improves robustness to both carry and visual corruptions. Ablations reveal a strong interaction between persistent state and recursive refinement: the benefit of carry depends strongly on the amount of within-step computation, and the resulting performance cannot be explained by parameter count alone.
- Abstract（参考訳）: ビヘイビアクローンはロボット操作の強力なアプローチとなっているが、現代の多くのポリシーは、各予測において固定された観測窓から内部表現を再構築し、実行中は持続的な潜伏状態を維持しない。
本稿では,持続的時間的状態と再帰的潜在的洗練を組み合わせ,パラメータ効率の高い行動閉鎖政策であるTiny Recursive Policy(TRP)を紹介する。
各制御ステップにおいて、TRPは、共有計算モジュールを使用して高レベルおよび低レベルの潜伏状態を繰り返し更新し、アクションシーケンスを復号し、その結果状態をその後の予測に伝達する。
LIBERO-100, MetaWorld ML45, LIBERO-MemベンチマークにおけるTRPの評価を行った。
TRPはマルチタスクや少数ショット設定で競合的に動作し、長い水平タスクやコンテキスト依存タスクでは大幅に向上する一方で、大規模な生成ベースラインよりもはるかに少ないパラメータを使用する。
実行時の摂動は、持続的搬送への依存が時間的コンテキストの要求によって増大することを示し、一方、輸送的摂動によるトレーニングは、搬送と視覚的腐敗の両方に対する堅牢性を大幅に向上させる。
キャリーの利点は、ステップ内計算の量に強く依存しており、結果として得られる性能はパラメータ数だけでは説明できない。
関連論文リスト
- Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning [60.75091491636976]
TreeOPSDは、長距離エージェント強化学習のための、批判のない、木を意識した後部自己蒸留フレームワークである。
複数の競合ベンチマークとモデルスケールでエージェント機能を改善する。
論文 参考訳（メタデータ） (2026-10-16T09:17:26Z) - Scheduling Recursive Reasoning in Looped Transformers [21.17643456743291]
Trajectory Adaptive Progress-Fluctuation Schedulerは、リトレーニングなしで構造化推論タスクの終端精度を向上させる。
TAPSは、一致したベースライン精度で最大1.56倍のウォールクロックスピードアップで、さらなる精度向上をもたらす。
これらの結果は、アーキテクチャと深さと共に繰り返し推論の相補的な制御軸として更新スケールを確立する。
論文 参考訳（メタデータ） (2026-09-29T03:54:50Z) - Collaborative Weighting with Pessimistic Critic for Mitigating Overestimation in Off-Policy Reinforcement Learning [7.604367783364084]
Collaborative Weighting Actor-Critic (CWAC) は、価値推定における予測の不確実性を考慮に入れた統合フレームワークである。
CWACは最小限のオーバーヘッドで既存の外部アルゴリズムフレームワークにシームレスに統合できる。
論文 参考訳（メタデータ） (2026-07-29T06:18:19Z) - FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。
FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
論文 参考訳（メタデータ） (2026-07-27T05:10:16Z) - Residual-Controlled Multiplier Learning for Stochastic Constrained Decision-Making [12.04727482907937]
CMLは、ミニバッチ条件下での一次フィードバック乗算器のノイズを追跡する問題に対処する。
乗算器を有限ゲイン乗算器と原始降下のための有効圧力信号に分解する。
論文 参考訳（メタデータ） (2026-06-05T09:35:22Z) - LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models [13.30873593845724]
LoopVLAは、表現の洗練、アクション予測、十分性推定を学習する、リカレントなVision-Language-Actionアーキテクチャである。
この結果から,LoopVLAはVLAポリシーの効率性向上のフロンティアを推し進め,パラメータを45%削減し,推論スループットを最大1.7倍向上させることを示した。
論文 参考訳（メタデータ） (2026-05-11T03:51:22Z) - DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。
DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
論文 参考訳（メタデータ） (2026-04-27T23:04:03Z) - ReCAP: Recursive Context-Aware Reasoning and Planning for Large Language Model Agents [61.51091799997476]
ReCAP(Recursive Context-Aware Reasoning and Planning)は,大規模言語モデル(LLM)における推論と計画のためのコンテキストを共有する階層型フレームワークである。
ReCAPは、プラン-アヘッド分解、親プランの構造化された再注入、メモリ効率の高い実行という3つの重要なメカニズムを組み合わせる。
実験により、ReCAPは様々なロングホライゾン推論ベンチマークにおけるサブゴールアライメントと成功率を大幅に改善することが示された。
論文 参考訳（メタデータ） (2025-10-27T20:03:55Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Structured Context Recomposition for Large Language Models Using Probabilistic Layer Realignment [0.0]
本稿では,トランス層内の学習表現を動的に調整する確率的層配向戦略を提案する。
急激なトピックシフトと論理的不整合を軽減し、特にシークエンスが標準の注意窓の制約を超えるシナリオにおいて。
SCRは処理時間を適度に増加させるが、メモリオーバーヘッドは実現可能な限界内に留まり、自動回帰生成アプリケーションへの実用的なデプロイに適している。
論文 参考訳（メタデータ） (2025-01-29T12:46:42Z) - Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。
DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。
有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
論文 参考訳（メタデータ） (2021-02-23T18:56:13Z)
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。