論文の概要: TOPS: Reshaping Flow Source and Transport for Multi-Task Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.36694v1
• Date: Tue, 27 Oct 2026 06:11:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.52504
• Title: TOPS: Reshaping Flow Source and Transport for Multi-Task Robot Manipulation
• Title（参考訳）: TOPS:マルチタスクロボットマニピュレーションのためのフローソースとトランスポート
• Abstract要約: 言語条件のマルチタスク操作のためのフローベースのポリシは、単一のtextitGaussian$ sourceと、タスク間の共通のリニアトランスポートパスを共有している。 我々は、ネットワークアーキテクチャを変更することなく、フローソースを事前に調整し、各タスクにスケジュールする$textbfTOPS$を紹介します。
• 参考スコア（独自算出の注目度）: 25.68973847690219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-based policies for language-conditioned multi-task manipulation commonly share a single $\textit{Gaussian}$ source prior and a common linear transport path across tasks. However, reliably executing multiple tasks with distinct motion requirements remains challenging for a shared policy. We introduce $\textbf{TOPS}$ ($\textbf{T}$ask-$\textbf{O}$riented $\textbf{P}$riors and $\textbf{S}$chedules), which adapts the flow source prior and interpolation schedule to each task without modifying the network architecture. TOPS first constructs multimodal task sources from reverse-mapped expert action sequences, allowing language instructions to select where generation begins. Guided by source-target covariance mismatch, it then slows the transition toward expert actions early in denoising and accelerates it later along directions requiring expansion. Under a $\textit{Gaussian}$ endpoint model, our analysis shows that this schedule adjustment can lower an upper bound on velocity-prediction risk. Experiments on LIBERO, LIBERO-Plus, and CALVIN demonstrate improved performance across in-distribution, perturbation and cross-environment settings, alongside better data efficiency. Using one integration step, TOPS raises LIBERO-10 success from $53.44\%$ to $69.67\%$ compared with ten-step Standard Flow Matching (FM), while reducing inference time to approximately one-sixth of the baseline. TOPS also yields consistent gains when transferred to the large-scale flow-based $π_{0.5}$ policy across all four evaluated settings. Real-world experiments further demonstrate improved task success, including an increase from $20\%$ with standard FM to $80\%$ with TOPS on the upper-drawer opening task.
• Abstract（参考訳）: 言語条件のマルチタスク操作のためのフローベースのポリシーは、通常、単一の$\textit{Gaussian}$ソースとタスク間の共通のリニアトランスポートパスを共有する。 しかし、複数のタスクを異なる動作要求で確実に実行することは、共有ポリシーでは依然として困難である。 我々は、ネットワークアーキテクチャを変更することなく、フローソースの事前および補間スケジュールを各タスクに適応させる、$\textbf{TOPS}$$$$\textbf{T}$ask-$\textbf{O}$riented $\textbf{P}$riors and $\textbf{S}$chedulesを紹介する。 TOPSはまず、逆マップされた専門家アクションシーケンスからマルチモーダルタスクソースを構築し、言語命令で生成開始先を選択する。 ソースとターゲットの共分散のミスマッチによってガイドされ、デノベーションの初期に専門家の行動への遷移を遅くし、拡張を必要とする方向に沿って後から加速する。 我々の分析は、$\textit{Gaussian}$エンドポイントモデルの下で、このスケジュール調整が速度予測リスクの上限を下げることを示した。 LIBERO、LIBERO-Plus、CALVINの実験では、データ効率の向上とともに、分散、摂動、環境横断設定のパフォーマンスが向上した。 1つの統合ステップを使用して、TOPSはLIBERO-10の成功を53.44\%から69.67\%に引き上げ、標準フローマッチング(FM)と比較し、推論時間をベースラインの約6分の1に短縮した。 TOPSはまた、4つの評価された設定すべてにまたがる大規模なフローベースの$π_{0.5}$ポリシーに移行すると、一貫した利得を得る。 実世界の実験は、タスクの成功をさらに改善し、標準FMによる20ドル%から、上水道オープニングタスクにおけるTOPSによる80ドル%まで上昇した。

関連論文リスト

• $Δ$ Flow Matching for Robot Foundation Models [23.8461776255119]
  フローマッチングは、ロボット基礎モデルの一般的な生成レシピである。 固定されたガウスの先行値ではなく、最近の歴史から緩やかな雑音で情報源を構成する$-flowを導入する。 $-flow は LIBERO-Plus の最先端の一般化性能に到達します。
  論文  参考訳（メタデータ） (2026-10-11T17:31:44Z)
• Decoupled Early Exits for Task-Dependent Compute Allocation in Flow-Matching VLAs [53.20313939184399]
  フローマッチング型ビジョン・ランゲージ・アクション(VLA)モデルは、ジェネラリストロボット制御の潜在的な解決策として浮上している。 本稿では,バックボーン深度を$V$,アクションエキスパート深度を$A$,ステップを$D$とすることを提案する。 最適な計算予算はタスクに依存しており、様々なタスクは異なる軸と深さから恩恵を受ける。
  論文  参考訳（メタデータ） (2026-09-24T11:10:00Z)
• From Continual Learning to SGD and Back: Better Rates for Continual Linear Models [50.11453013647086]
  以前見られたタスクの損失を、$k$の繰り返しの後、忘れること、すなわち、分析する。 実現可能な最小二乗の設定において、新しい最上界を創出する。 我々は、タスクを繰り返しないランダム化だけで、十分に長いタスクシーケンスで破滅的な事態を防げることを初めて証明した。
  論文  参考訳（メタデータ） (2025-04-06T18:39:45Z)
• Scaling Distributed Multi-task Reinforcement Learning with Experience Sharing [38.883540444516605]
  DARPAはShELLプログラムを立ち上げた。これは、経験共有が分散生涯学習エージェントにどのように役立つかを探求することを目的としている。 分散マルチタスク強化学習(RL)の理論的および実証的研究を行い、N$エージェントのグループがM$タスクを協調的に解決する。 我々はDistMT-LSVIと呼ばれるアルゴリズムを提案し、各エージェントは独立に$epsilon$-optimal Policyを全ての$M$タスクに対して学習する。
  論文  参考訳（メタデータ） (2023-07-11T22:58:53Z)
• Multi-Head Adapter Routing for Cross-Task Generalization [56.75667096355806]
  ポリトロポンは、事前訓練と少数ショット適応の両方の間、各タスクのアダプタのサブセットを選択するルーティング関数とアダプタのインベントリを学習する。 複数タスクの事前学習において、数ショットの適応よりもルーティングの方が有益であることがわかった。
  論文  参考訳（メタデータ） (2022-11-07T19:35:55Z)

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。