論文の概要: Open-World Law-to-Action: Vision-Language Priors and Touch for Parts with Hidden Physics
- arxiv url: http://arxiv.org/abs/2610.33705v1
- Date: Sat, 24 Oct 2026 14:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.425096
- Title: Open-World Law-to-Action: Vision-Language Priors and Touch for Parts with Hidden Physics
- Title（参考訳）: オープンワールド・ロー・ツー・アクション:隠れた物理部品のビジョン・ランゲージ優先とタッチ
- Abstract要約: オープンワールド・ロー・ツー・アクション(L2A)について紹介する。
視覚言語モデル(VLM)は、各可動部に対して、その動き、その動きの法則、そしてそれをロックするものを提案する。
ロボットは、一方向または二方向に動く部分について、ベイジアン線形回帰(英語版)によってオンラインで各部の法則を同定し、見えない部分や動きがターゲットをロックする仮説を保持する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A robot in a home it has never seen must open doors, drawers, lids and taps whose physics a picture does not show. Instructions such as "open the drawer halfway, gently" depend on that physics: how far a part travels, how it resists, and what locks it. We present Open-World Law-to-Action (L2A). A vision-language model (VLM) proposes, for each movable part, its motions, the terms of its law of motion, and what may lock it. Each proposal becomes a prior with a floor, so that touch can always overturn it. The robot identifies each part's law online by Bayesian linear regression with closed-form evidence, for parts that move in one way or in two, and keeps a hypothesis that an unseen part or motion locks the target. We prove that touch alone cannot rule this hypothesis out, derive when another look is worth its cost, and show that a constant load and friction cannot be told apart while a part moves one way. All experiments are in simulation, developed on some scenes and run once on held-out ones. In new kitchens the robot completes 80% of tasks from the VLM's proposals, against 98% when every part is known. Proposed physics raises success on objects that need new terms from 353 to 378-383 of 400 episodes, and a second look raises success in mixed scenes from 284 to 329 of 366 tasks. A mobile robot that takes nothing from the simulator completes 70 of 100 requests in new scenes, against 62 when the simulator says which part each box is (after one change made between two held-out tests).
- Abstract（参考訳）: 一度も見たことのない家のロボットは、写真に写っていないドア、引き出し、蓋、タップを開かなければならない。
引き出しを中途半端に開け、優しく開く」といった指示は、その物理学に依拠する。
オープンワールド・ロー・ツー・アクション(L2A)について述べる。
視覚言語モデル(VLM)は、各可動部に対して、その動き、その動きの法則、そしてそれをロックするものを提案する。
各提案はフロアで先行するので、タッチは常に上向きにすることができる。
ロボットは、一方向または二方向に動く部分について、ベイジアン線形回帰(英語版)によってオンラインで各部の法則を同定し、見えない部分や動きがターゲットをロックする仮説を保持する。
タッチだけではこの仮説を除外できないことを証明し、他のルックがそのコストに値するときに導出し、ある部分がある方向に動いている間に一定の負荷と摩擦を区別できないことを示す。
すべての実験はシミュレーションで行われ、いくつかのシーンで開発され、保持されたシーンで一度実行される。
新しいキッチンでは、ロボットはVLMの提案から80%のタスクを完了します。
提案された物理学は、400話中353話から378話383話まで、新しい用語を必要とするオブジェクトに対して成功をもたらし、第2のルックアップは366のタスクのうち284話から329話の混合シーンで成功を収める。
シミュレーターから何も取らない移動ロボットは、各ボックスがどの部分であるかをシミュレーターが教えてくれる62に対して、新しいシーンで100件中70件のリクエストを完了させる。
関連論文リスト
- VioLA: Learning Generalist Humanoid Control Policies from Human Data [91.11609447813039]
VioLAは人体と手の動きを予測するヒューマノイドのポリシーである。
タスク固有の微調整なしで、実際のロボットのゼロショットの移動指示に従う。
論文 参考訳（メタデータ） (2026-10-08T17:57:27Z) - UNITAS: A 3D-Native World Action Model for Embodied Manipulation [65.5089751130735]
UNITASは、各インタラクション内の共有メトリック3Dフレーム内の観察、アクション、シーンダイナミクスを統一する最初の3Dネイティブな世界アクションモデルである。
1.7Bパラメータで、UNITASはRoboTwin上で最高のアクション条件のシーン予測を達成する。
論文 参考訳（メタデータ） (2026-10-08T15:02:50Z) - EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning [65.9530679634286]
ロボットは、不慣れな物体の振る舞いや相互作用を実験を通して学習し、その知識で計画しなければなりません。
残余世界モデルを学習するエージェントであるEMPIRICについて述べる。
5つのシミュレートされたドメインにわたって、EMPIRICは解釈可能で再利用可能なモデルを学び、3つのベースラインよりも環境相互作用が少なく多くのタスクを解決する。
論文 参考訳（メタデータ） (2026-09-28T12:42:51Z) - Robot-Factored World Models via Robot Rendering [25.12876640584098]
アクション条件付きビデオワールドモデルは、初期観測と行動信号から将来の観測を予測する。
本研究では,ロボット特異的な2つの要素を世界モデル外へ移動させるロボット駆動世界モデルを提案する。
実験により, レンダリングインタフェースはベクトル条件付きベースラインより優れており, 未知のロボットエンボディメント推論に一般化されていることがわかった。
論文 参考訳（メタデータ） (2026-07-24T17:59:57Z) - Masked Visual Actions for Unified World Modeling [96.12988421978463]
Masked Visual Actionsは、ビデオ内の任意の実体の部分的に明らかな軌跡としてアクションを表現するピクセル空間制御インタフェースである。
Revealing Robot Motionは、このモデルをフォワードダイナミクスモデルとして機能させ、低レベルのロボット動作に対するシーンの反応を予測する一方で、望ましい物体の動きを明らかにすることにより、同じモデルがロボットの動作をその結果と一致させる。
論文 参考訳（メタデータ） (2026-07-21T17:59:11Z) - Learning to Throw-Flip [11.364182432162863]
本稿では,ロボットが所望の着地ポーズに対して,オブジェクトを正確に「スローフリップ」することができる方法を提案する。
我々は寄生虫の回転を効果的に分離する投球運動の族を設計する。
私たちのフレームワークは、数十の試行において、ポーズターゲットにオブジェクトを投げる(pm$5 cm, $pm$45 °)ことができる。
論文 参考訳（メタデータ） (2025-10-11T22:18:09Z) - Object-centric 3D Motion Field for Robot Learning from Human Videos [56.9436352861611]
本稿では,人間ビデオからのロボット学習の動作を表現するために,物体中心の3次元運動場を提案する。
ゼロショット制御のためのビデオからこの表現を抽出するための新しいフレームワークを提案する。
実験の結果,提案手法は最新の手法に比べて3次元動作推定誤差を50%以上削減できることがわかった。
論文 参考訳（メタデータ） (2025-06-04T17:59:06Z) - Motion Tracks: A Unified Representation for Human-Robot Transfer in Few-Shot Imitation Learning [46.0173222755542]
本稿では,画像上の2次元短距離軌跡として行動を表現することを提案する。
これらの動作、つまりモーショントラックは、人間の手やロボットのエンドエフェクターの動作の予測方向を捉えます。
画像観察を受信し,動作トラックを動作として出力する,MT-pi(Motion Track Policy)と呼ばれるILポリシをインスタンス化する。
論文 参考訳（メタデータ） (2025-01-13T01:01:44Z) - Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。
まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。
この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。
両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
論文 参考訳（メタデータ） (2024-09-26T17:57:16Z) - MotIF: Motion Instruction Fine-tuning [46.517750125047236]
多くのタスクは、成功を正しく判断するためにロボットの完全な動きを観察する必要がある。
先行研究では、成功検知器として市販のヴィジュアル言語モデル(VLM)がよく用いられていた。
本研究では,VLMを微調整し,ロボットの動作を環境内で意味的にグルーピングするモーションインストラクションファインタニング(MotIF)を提案する。
論文 参考訳（メタデータ） (2024-09-16T19:30:21Z)
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。