論文の概要: Embodied at Sea: Imitation Learning for Multi-Task Underwater Manipulation
- arxiv url: http://arxiv.org/abs/2610.38199v1
- Date: Wed, 28 Oct 2026 02:49:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.36404
- Title: Embodied at Sea: Imitation Learning for Multi-Task Underwater Manipulation
- Title（参考訳）: 海中での体操:マルチタスク水中マニピュレーションのための模擬学習
- Abstract要約: 行動クローニングは、地球環境におけるロボット操作のための有望な一般化機能を示している。
この問題に対処するため、1616エピソードの水中操作データが、穏やかで乱流の海域で収集された。
その結果, シングルタスク・アクション・チャンキング・トランス (ACT) と一般VLA (SmolVLA) 政策の性能を評価するケーススタディから得られた。
- 参考スコア（独自算出の注目度）: 4.889514970108195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behavior Cloning has demonstrated promising generalization capabilities for robotic manipulation in terrestrial environments. However, marine visual distortions and dynamic currents create a severe domain shift that remains a key bottleneck in adapting generalist architectures to underwater field manipulation. To address this, 1616 episodes of underwater manipulation data were collected in calm and turbulent waters and were used to train 14 generalist Vision-Language-Action (VLA) models (DynamicVLA) with varying proprioception observation configurations. Across three tasks on 1260 gradable on-hardware rollouts in a pool, 10 models outperformed the baseline, with the highest-performing model achieving a 93.3% overall success rate, including partial successes. Results are also introduced from a case study evaluating the performance of a single-task Action Chunking Transformer (ACT) and a generalist VLA (SmolVLA) policy for two tasks in marine archaeology and conservation: grasping and mooring. Experiments are performed on an ROV on and around the WWII wreck Coralita X127 and at Manoel Island Marina, Malta. Across 748 collected episodes and 508 gradable on-hardware rollouts, the ACT policy substantially outperformed SmolVLA (47.9% vs. 7.9% pooled success rate), earning a 66.7% success rate on the most successful task at the marine archaeological site. To enable further contributions to embodied intelligence in marine field robotics, the BLUEMBODIED KIT used to collect data, train models, and deploy policies on the ROV has been open sourced.
- Abstract（参考訳）: ビヘイビア・クローンは、地球環境におけるロボット操作のための有望な一般化機能を示している。
しかし、海洋の視覚歪みと動的電流は深刻な領域シフトを生じさせ、これは水中の磁場操作に一般のアーキテクチャを適用する上で重要なボトルネックとなっている。
この問題に対処するため、1616エピソードの水中操作データを静かで乱流の海域で収集し、14人の将軍ビジョン・ランゲージ・アクション (VLA) モデル(DynamicVLA) の訓練に使用した。
プール内の1260グレード可能なオンハードウェアロールアウトの3つのタスクで10モデルがベースラインを上回り、最高性能のモデルが93.3%の成功率を記録した。
また, 海洋考古学と保存学の2つの課題(把握と係留)について, シングルタスク・アクション・チャンキング・トランスフォーマー (ACT) と一般VLA (SmolVLA) 政策の評価を行ったケーススタディから, 結果を紹介した。
実験はマルタのマノエル島マリーナ(英語版)とコラーリタX127の周辺で行われた。
748回以上のエピソードと508回ものハードウエアのロールアウトを収集し、ACT政策はSmolVLA(47.9%対7.9%のプール化成功率)を大幅に上回り、海洋考古学において最も成功した作業で66.7%の成功率を得た。
海洋ロボットにおけるインテリジェンスへのさらなる貢献を可能にするため、データ収集、モデル訓練、ROVへのポリシーの展開に使用されたBLUEMBODIED KITがオープンソース化された。
関連論文リスト
- RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions [38.09102112181815]
RynnVLA-Latentは、異種インタラクションビデオから、ロボットポリシー事前学習のためのスケーラブルな監視を行うフレームワークである。
RynnLAMは、ネイティブロボットコントロールを必要とせずに、視覚遷移から連続して3Dグラウンドで潜入動作を学ぶ。
論文 参考訳（メタデータ） (2026-10-25T15:05:32Z) - Cracking Mobile Manipulation: From Failure Diagnosis to Agentic Robot System [55.866176656289134]
本研究では,実証に基づく計画指導,適応型視覚記憶,アクセシビリティ・アウェアベース調整,ローカル・エフェクタ調整などにより,固定サブタスクVLAを増強する,障害誘導型エージェント介入を開発する。
以上の結果から,モバイル操作の信頼性は,基盤方針を均一にスケールするのではなく,現在のボトルネックを診断・介入することで向上する可能性が示唆された。
論文 参考訳（メタデータ） (2026-10-14T05:18:16Z) - Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。
我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。
Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
論文 参考訳（メタデータ） (2026-10-14T03:15:23Z) - LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
LoopWAMは、現実世界のロールアウトから直接学習するクローズドループの世界アクションモデルである。
音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。
ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
論文 参考訳（メタデータ） (2026-10-13T17:59:56Z) - ActionGround: Training-Free Runtime Refinement of Frozen VLA Policies [0.0]
VLA(Vision-Language-Action)モデルは、視覚的な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,凍結したVLAポリシをラップした,ニューロシンボリックでトレーニング不要な実行層であるActionGroundを紹介する。
我々は,OpenVLA,OpenVLA-OFT,Force-VLA,Generalist-VLAの10種類のLIBERO-Spatial pick-and-placeタスクにおけるActionGroundの評価を行った。
論文 参考訳（メタデータ） (2026-09-27T05:59:06Z) - DeltaWAM: Delta World Action Models for Bimanual Manipulation [61.57435324858005]
ワールドアクションモデル(WAM)は、事前訓練されたビデオジェネレータから、視覚力学とアクションを共同でモデル化することによって、視覚と動きの先行をロボット制御に転送する。
本稿では,高密度アンカー,スパースデルタ,アクションストリームを用いて,視覚的デルタとアクションを共同で予測するDeltaWAMを提案する。
RoboTwinでは、SDMを使用したDeltaWAMは、Fast-WAMの平均的な成功を81.3%から85.4%に改善し、ビジュアルランダム化の下で75.8%から83.9%に改善した。
論文 参考訳（メタデータ） (2026-09-23T21:45:16Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - PHR-VLA: Planning Horizon Reasoning for Vision-Language-Action Models [7.008547904629264]
本稿では,視覚-言語-アクションモデルにおける計画-水平推論を可能にするフレームワークであるPHR-VLAを提案する。
PHR-VLAは、トレーニング中に、VLAの内部表現と将来の観測から抽出された潜在ダイナミクスを整列する軽量の補助的な未来のヘッドを導入する。
論文 参考訳（メタデータ） (2026-08-27T18:42:35Z) - ProbeAct: Probe-Guided Training-Free Failure Recovery in Vision-Language-Action Models [23.3892541362594]
PROBEACTはトレーニング不要のランタイム介入フレーム6である。
プレ-7の訓練されたVLAポリシーの把握と配置の失敗を検知し、回復する。
論文 参考訳（メタデータ） (2026-06-08T17:04:24Z) - DepthVLA: Enhancing Vision-Language-Action Models with Depth-Aware Spatial Reasoning [35.44151923549777]
VLA(Vision-Language-Action)モデルは最近、印象的な一般化と言語誘導操作機能を示している。
視覚言語モデル(VLM)から受け継いだ空間的推論の制限による空間的推論の精度の低下
本稿では,プレトレーニングした深度予測モジュールを通じて空間認識を明示的に組み込んだ,シンプルで効果的なVLAアーキテクチャであるDepthVLAを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:09:00Z)
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。