論文の概要: RoboDuo: Attempt, Check and Atomic Recovery through Code for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.34108v1
• Date: Sun, 25 Oct 2026 07:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.537318
• Title: RoboDuo: Attempt, Check and Atomic Recovery through Code for Vision-Language-Action Models
• Title（参考訳）: RoboDuo: ビジョンランゲージ・アクションモデルのためのコードによる試行,チェック,アトミックリカバリ
• Abstract要約: VLA(Vision-Language-Action)モデルは、命令が完了したかどうかを確認することなく、言語命令と現在の観察を直接アクションにマッピングする。 コーディングエージェントと2つのVLA間のインタフェースとしてコードを使用する,クローズドループデュアルシステムフレームワークであるRoboDuoを提案する。
• 参考スコア（独自算出の注目度）: 15.015989343922213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models map a language instruction and the current observation directly to actions, without checking whether the instruction has been completed. For long-horizon tasks, a single failed step therefore goes unnoticed and leaves the whole task unfinished. Such failed episodes, however, often end with the task partially complete. Moreover, the unfinished steps are reusable atomic skills that recur across demonstrations. A failed attempt can thus be recovered by composing with atomic skills. We propose RoboDuo, a closed-loop dual-system framework that uses code as the interface between a coding agent and two VLAs. The agent writes a program that lets a full-task VLA attempt the whole task and checks whether it is complete; on failure, an atomic VLA finishes the remaining steps. Since the agent emits no actions and only decides which VLA for execution, RoboDuo wraps an existing full-task VLA without updating its weights. To train the atomic VLA and the coding agent with the completion-checking ability, we build LIBERO-Atomic, LIBERO-Code, and LIBERO-Judge from a single set of LIBERO demonstrations. RoboDuo consistently improves X-VLA and $π_{0.5}$ on LIBERO and LIBERO-PRO, with the largest gains on long-horizon tasks, and recovers failed rollouts of a frozen full-task VLA on a real robot.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、命令が完了したかどうかを確認することなく、言語命令と現在の観察を直接アクションにマッピングする。 長期のタスクでは、1つの失敗したステップが気付かれず、タスク全体が完了しないままになります。 しかし、このような失敗エピソードは、その課題を部分的に完了させることがしばしばある。 さらに、未完成のステップは、デモ間で再帰する再利用可能なアトミックスキルである。 そのため、失敗した試みは、原子スキルを組み込むことで回復することができる。 コーディングエージェントと2つのVLA間のインタフェースとしてコードを使用する,クローズドループデュアルシステムフレームワークであるRoboDuoを提案する。 エージェントは、フルタスクのVLAがタスク全体を試み、それが完了したかどうかをチェックするプログラムを書く。 エージェントはアクションを発行せず、実行用のVLAのみを決定するため、RoboDuoは重みを更新することなく既存のフルタスクVLAをラップする。 原子VLAと符号化エージェントを完全チェック能力で訓練するために、LIBERO-Atomic, LIBERO-Code, LIBERO-Judgeを1組のLIBEROデモから構築する。 RoboDuo は LIBERO と LIBERO-PRO の X-VLA と $π_{0.5}$ を一貫して改善し、長い水平タスクで最大の利益を上げ、実際のロボット上で凍結されたフルタスク VLA のロールアウトを回復する。

関連論文リスト

• LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks [52.045695649147966]
  クロスタスク再利用のための検索可能な原子-作用レキシコンを提案する。 グローバルかつ詳細なコードブックは、共有インタラクション構造ときめ細かい実行のバリエーションをキャプチャする。 視覚-原子的行動アライメントは、視覚状態変化からの軌道再構成と、行動コードからの視覚的結果予測を結合する。
  論文  参考訳（メタデータ） (2026-09-29T05:45:52Z)
• Causeway: Restoring Task Accessibility for Instruction Switching in VLA Policies [46.91232232574988]
  我々は、異なるタスクの実行中または実行後に新しいタスクが発行される命令切替について研究する。 トレーニング不要な推論時間介入であるCo causedwayを提案する。
  論文  参考訳（メタデータ） (2026-09-25T07:25:19Z)
• SkipVLA: Skipping VLA Steps with Classical Planning for Fast Robot Manipulation [23.852244913181355]
  Vision-Language-Action (VLA) は、カメライメージと言語指示を直接ロボットアクションにマッピングする。 最近の取り組みは、小さなモデルを蒸留したり、アクションチャンクを重複させたり、VLAを高速な低レベルポリシーでペアリングすることで、VLAのレイテンシを低減するが、それでもタスク全体について学習したポリシーを実行している。 我々は,事前訓練されたVLAと古典的な運動プランナを組み合わせたハイブリッドポリシであるSkipVLAを提案する。
  論文  参考訳（メタデータ） (2026-09-17T16:28:31Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Don't Drop the BATON: Long-Horizon Robot Manipulation via Agentic Subtask Exploration and Transition-aware Memory [23.158521324110392]
  ビジョン・アヘッドアクションのモデルは個々のスキルを習得する傾向にあるが、チェーンはまだ失敗している。 有望なレシピはVLAを凍結させ、LSMエージェントを担当させる。 トランジッション・アウェア・メモリで探索を行うBATONについて述べる。 ロングホライゾンベンチマークのRoboMemArenaでは、タスクの成功率が11.6%向上し、SoTAよりも14.9%向上した。
  論文  参考訳（メタデータ） (2026-08-17T17:59:57Z)
• AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots [92.18094199070693]
  現実世界のロボットタスクは、長い水平、多段階の問題解決を伴い、継続的なスキル獲得のために一般化を必要とすることが多い。 我々は、タスクレベルの計画、アトミックスキルの抽象化、きめ細かいアクションを共同で生成する統合計画実行フレームワークAtomicVLAを提案する。 シミュレーションでは、AtomicVLAはLIBEROで$_0$2.4%、LIBERO-LONGで10%、CALVINで$_0$と$_0.5$0.22、平均タスク長0.25よりパフォーマンスが良い。
  論文  参考訳（メタデータ） (2026-03-08T14:18:56Z)
• LoHoVLA: A Unified Vision-Language-Action Model for Long-Horizon Embodied Tasks [31.3295171851909]
  実世界のエンボディエージェントは、マルチステップソリューションを必要とするハイレベルな目標に直面します。 ロングホライゾンタスクは、ハイレベルなタスクプランニングと低レベルなモーションコントロールを必要とする。 我々は,LoHoVLAと呼ばれる長期タスクのための統合視覚言語フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-31T06:01:03Z)
• A Survey on Vision-Language-Action Models for Embodied AI [90.99896086619854]
  エンボディードAIは、人工知能の重要な要素として広く認識されている。 組込みAIにおける言語条件ロボットタスクに対処するために、マルチモーダルモデルの新たなカテゴリが登場した。 具体的AIのための視覚-言語-アクションモデルに関する第1回調査を示す。
  論文  参考訳（メタデータ） (2024-05-23T01:43:54Z)

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。