論文の概要: BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing

• arxiv url: http://arxiv.org/abs/2610.40532v1
• Date: Thu, 29 Oct 2026 17:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.123041
• Title: BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing
• Title（参考訳）: BURGER: ボディードローイングによるロボットの一般化のベンチマークと理解
• Abstract要約: BURGER (BURGER) は、言語条件のロボット描画ベンチマークである。 BURGERは、言語接地、空間構成、行動生成のきめ細かい分析をサポートする。 我々は、フランク・パンダの腕に訓練されたポリシーを配置し、人間の介入の下で反応的に絵を描く能力を実証した。
• 参考スコア（独自算出の注目度）: 39.721187786552015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How effectively can vision-language-action (VLA) models learn diverse language-conditioned behaviors as training data scales? Investigating this question requires large and varied robot datasets, whose collection on physical robots remains costly. We introduce BURGER, a language-conditioned robotic drawing benchmark with a scalable, prompt-driven pipeline for generating continuous drawing trajectories, both in simulation and the real world. In BURGER, an agent starts from the same blank canvas and controls a robot arm to draw the object or spatial composition specified by language, while each instruction allows an open-ended variety of valid drawings and stroke orders. Using 28,200 simulated demonstrations spanning 282 drawing tasks, we evaluate five representative VLA models across data scales, language grounding, and multimodal behavior. BURGER supports fine-grained analysis of language grounding, spatial composition, and action generation, revealing distinct failure patterns across VLA models. Our experiments suggest that some VLA models can benefit from greater task diversity and demonstration scale, capture multimodal drawing behaviors, and generalize to unseen compositions of familiar objects. Finally, we deploy a trained policy on a Franka Panda arm, demonstrating the ability to draw reactively under human intervention. Project homepage and code can be found at https://siyingzhao.github.io/BURGER/.
• Abstract（参考訳）: ビジョン言語アクション(VLA)モデルは、トレーニングデータスケールとして、多様な言語条件の振る舞いをいかに効果的に学習できるか? この問題を調査するためには、大規模で多様なロボットデータセットが必要であり、物理的なロボットのコレクションはコストがかかるままである。 本稿では,言語条件付きロボット描画ベンチマークであるBURGERを紹介した。 BURGERでは、エージェントは同じ空白のキャンバスから始まり、ロボットアームを制御して、言語によって指定された対象または空間的構成を描画する。 282の描画タスクにまたがる28,200のシミュレーションデモを用いて、データスケール、言語接地、マルチモーダル行動の5つの代表的VLAモデルを評価する。 BURGERは、言語基底、空間構成、アクション生成のきめ細かい分析をサポートし、VLAモデル間で異なる障害パターンを明らかにする。 実験の結果,VLAモデルでは,タスクの多様性や実演の規模が向上し,マルチモーダルな描画動作が捉えられ,見慣れないオブジェクトの合成に一般化できることが示唆された。 最後に、Franka Pandaの腕に訓練されたポリシーを配置し、人間の介入の下で反応的に描画する能力を示す。 プロジェクトのホームページとコードはhttps://siyingzhao.github.io/BURGER/で見ることができる。

関連論文リスト

• LoLA: Long Horizon Latent Action Learning for General Robot Manipulation [38.209790870296835]
  Long Horizon Latent Action Learning (LoLA)は、ロボット操作用に設計されたフレームワークである。 まず視覚言語モデルを用いて、歴史的シーケンスと多視点観測からリッチな文脈特徴を符号化する。 次に、視覚入力と言語コマンドを動作可能なロボットモーション空間に変換するステートアウェアラテント表現を導入する。
  論文  参考訳（メタデータ） (2025-12-23T08:45:24Z)
• Large Video Planner Enables Generalizable Robot Control [117.49024534548319]
  汎用ロボットは、様々なタスクや環境にまたがって一般化する意思決定モデルを必要とする。 最近の研究は、マルチモーダル大言語モデル(LM)をアクション出力で拡張し、視覚-アクション(VLA)システムを構築することで、ロボット基盤モデルを構築している。 本稿では,ロボット基礎モデル構築における主要なモダリティとして,大規模ビデオ事前学習を用いるための代替パラダイムについて検討する。
  論文  参考訳（メタデータ） (2025-12-17T18:35:54Z)
• LIAM: Multimodal Transformer for Language Instructions, Images, Actions and Semantic Maps [24.822276221016832]
  言語,イメージ,アクション,マップの入力に基づいて,アクションの書き起こしを予測するエンド・ツー・エンドのモデルであるLIAMを提案する。 国内タスクのシミュレータ生成ベンチマークであるALFREDデータセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2025-03-15T18:54:06Z)
• LLaRA: Supercharging Robot Learning Data for Vision-Language Policy [56.505551117094534]
  我々はLLaRA: Large Language and Robotics Assistantを紹介した。 まず、既存の行動クローニングデータセットからロボットのための会話スタイルの指導データを生成する自動パイプラインを提案する。 このようなデータセットを限定的に微調整したVLMは、ロボット制御において有意義な行動決定を導出できることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:59:12Z)
• LLARVA: Vision-Action Instruction Tuning Enhances Robot Learning [50.99807031490589]
  LLARVAは,ロボット学習タスク,シナリオ,環境を統一するための,新しい指導指導法で訓練されたモデルである。 我々は,Open X-Embodimentデータセットから8.5Mの画像-視覚的トレースペアを生成し,モデルを事前学習する。 実験によって強い性能が得られ、LLARVAは現代のいくつかのベースラインと比較してよく機能することを示した。
  論文  参考訳（メタデータ） (2024-06-17T17:55:29Z)
• VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models [38.503337052122234]
  大規模言語モデル(LLM)は、ロボット操作のために抽出できる豊富な行動可能な知識を持っていることが示されている。 我々は,オープンな命令セットとオープンなオブジェクトセットが与えられた様々な操作タスクに対して,ロボット軌道を合成することを目指している。 筆者らは,接触に富んだインタラクションを含むシーンのダイナミックスモデルを効率的に学習することで,提案フレームワークがオンライン体験の恩恵を享受できることを実証する。
  論文  参考訳（メタデータ） (2023-07-12T07:40:48Z)
• VIMA: General Robot Manipulation with Multimodal Prompts [82.01214865117637]
  ロボット操作タスクの幅広い範囲をマルチモーダルプロンプトで表現できることを示す。 我々は,数千の手続き的に生成されたテーブルトップタスクからなる新しいシミュレーションベンチマークを開発した。 我々は、これらのプロンプトを処理し、自動回帰的に運動動作を出力するトランスフォーマーベースのロボットエージェントVIMAを設計する。
  論文  参考訳（メタデータ） (2022-10-06T17:50:11Z)

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。