論文の概要: MolmoSpaces-CommonSense: Evaluating Commonsense in Robotic Manipulation Policies
- arxiv url: http://arxiv.org/abs/2610.41377v1
- Date: Fri, 30 Oct 2026 07:42:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.647765
- Title: MolmoSpaces-CommonSense: Evaluating Commonsense in Robotic Manipulation Policies
- Title（参考訳）: MolmoSpaces-CommonSense:ロボットマニピュレーション政策におけるコモンセンスの評価
- Abstract要約: 認知科学に根ざしたロボット操作のための推論過程の分類法を導入する。
ロボットタスクの新たなベンチマークである MolmoSpaces-CommonSense を用いて,この分類を運用する。
モデルタイプとアーキテクチャをまたいだコモンセンス推論において、一貫した失敗を観察します。
- 参考スコア（独自算出の注目度）: 52.24326990529166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world robotic manipulation requires reasoning about cluttered scenes, partially observable or hidden objects, and semantically appropriate actions, in addition to low-level execution within those scenes. However, existing simulation benchmarks primarily test the latter and remain dominated by comparatively clean environments with limited clutter and narrowly scoped task structure, leaving many forms of commonsense reasoning untested. We address this by introducing a taxonomy of reasoning processes for robotic manipulation grounded in developmental cognitive science. We operationalize this taxonomy through a new benchmark of robot tasks, MolmoSpaces-CommonSense, that requires reasoning about occlusion, containment, support relations, semantically correct grasp points, spatial affordances, and hidden objects. These evaluations require policies not only to recognize relevant scene structure but also to execute correct actions in them. We evaluate several zero-shot generalist manipulation policies. Across model types and architectures, we observe consistent failures in commonsense reasoning: success rates in cluttered scenes drop by over 50% as distractors increase, policies act on incorrect objects in cluttered settings 30% of the time, and affordance-sensitive grasping remains unreliable even with highly specific language prompts, with correct object part selection happening only about 50% of the time. Further, VLM-based success estimation struggles to reliably evaluate rollouts in these settings, suggesting that the challenge extends beyond control to the broader perception-reasoning-action stack. Our results suggest that existing benchmarks may substantially overestimate zero-shot real-world readiness. Code and policy leaderboard link at https://github.com/allenai/molmospaces.
- Abstract（参考訳）: 現実世界のロボット操作は、散らかったシーン、部分的に観察可能な、または隠されたオブジェクト、意味的に適切なアクション、そしてそれらのシーン内での低レベルな実行を推論する必要がある。
しかし、既存のシミュレーションベンチマークは、主に後者をテストし、比較的クリーンな環境に支配され、狭い範囲のタスク構造を持ち、多くの種類のコモンセンス推論が未検証のままである。
発達認知科学に根ざしたロボット操作のための推論過程の分類を導入することによって、この問題に対処する。
我々は,ロボットタスクの新たなベンチマークであるMomoSpaces-CommonSenseを運用し,隠蔽,封じ込め,サポート関係,意味的に正しい把握点,空間的余裕,隠蔽対象の推論を必要とする。
これらの評価には、関連するシーン構造を認識するだけでなく、適切なアクションを実行するためのポリシーが必要である。
我々はいくつかのゼロショットジェネリスト操作ポリシーを評価した。
散らばったシーンの成功率が50%以上低下し、散らばった設定で間違ったオブジェクトに作用するポリシーが30%の時間、高い特定の言語プロンプトを伴っても可視性に敏感な把握は信頼できないままで、正しいオブジェクト部分の選択は50%程度しか行われません。
さらに、VLMベースの成功推定では、これらの設定でのロールアウトを確実に評価することが困難であり、この課題はコントロールを超えて、より広い知覚・推論・アクションスタックにまで及ぶことを示唆している。
以上の結果から,既存のベンチマークは実世界のゼロショットの即応性を著しく過大評価する可能性が示唆された。
code and policy leaderboard link at https://github.com/allenai/molmospaces.com
関連論文リスト
- Spa-Bench: A Real-Robot Benchmark for Spatial Grounding in Vision-Language-Action Models [12.056788298994904]
Spa-Benchは6つのタスクにわたる空間的接地を評価する実ロボットベンチマークである。
我々はSO-101ロボットアームで収集された4,092エピソードを公表した。
論文 参考訳（メタデータ） (2026-10-08T20:22:35Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? [78.81308700607651]
アクションチャンキングは単一のアクションではなく、複数のアクションを予測し、実行する。
非マルコフ表現率の増大と、マルコフポリシーと比較して複合誤差の低減による作用チャンキングの利点が示された。
本稿では,アンサンブルを明示的にインスタンス化することで,アクションチャンキングのメリットを増幅するポリシークラスを提案する。
論文 参考訳（メタデータ） (2026-08-03T17:32:45Z) - AdaClearGrasp: Learning Adaptive Clearing for Zero-Shot Robust Dexterous Grasping in Densely Cluttered Environments [31.097251477695497]
AdaClearGraspは、適応的クリアリングとゼロショットデクスタラスグルーピングのためのクローズドループ決定実行フレームワークである。
事前学習された視覚言語モデル(VLM)は、視覚観察と言語タスク記述を解釈し、把握された干渉について推論する。
視覚的なフィードバックは結果を監視し、失敗時にリプランングをトリガーし、クローズドループ補正メカニズムを形成する。
論文 参考訳（メタデータ） (2026-03-11T10:24:20Z) - Learning Object-Centric Spatial Reasoning for Sequential Manipulation in Cluttered Environments [0.0]
我々は,低レベルの行動実行から高レベルの空間的推論を分離するフレームワークUnveilerを提案する。
この分離されたアーキテクチャは、パラメータ数と推論時間の観点からより計算的に効率的であることを示す。
シミュレーションでは,97.6%の成功率,90.0%の完全閉塞シナリオを達成し,複雑な操作タスクにおけるオブジェクト中心推論の能力について考察した。
論文 参考訳（メタデータ） (2026-03-03T01:45:53Z) - Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。
物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。
ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-13T23:36:30Z) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z) - Efficient Alignment of Unconditioned Action Prior for Language-conditioned Pick and Place in Clutter [59.69563889773648]
本研究では,ロボットが対象物を開き散らかし,特定の場所に移動させるという,言語条件のピック・アンド・プレイス作業について検討する。
いくつかのアプローチは、ビジョンファウンデーションモデルから機能を使ってエンドツーエンドのポリシーを学び、大きなデータセットを必要とする。
本研究では,無条件動作先行と3次元視覚言語先行とを1つの注意層から学習することで協調する行動先行アライメント手法を提案する。
論文 参考訳（メタデータ） (2025-03-12T14:20:33Z) - DexGraspVLA: A Vision-Language-Action Framework Towards General Dexterous Grasping [18.410329897882658]
汎用ロボットは任意のシナリオで多様な物体を把握できなければならない。
DexGraspVLAは,言語誘導型汎用デキスタラスグルーピングにおける堅牢な一般化のための階層的フレームワークである。
論文 参考訳（メタデータ） (2025-02-28T09:57:20Z) - Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。
我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。
拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
論文 参考訳（メタデータ） (2023-10-26T21:28:23Z)
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。