論文の概要: Shades of Success: Evaluating Manipulation Quality from Object-Centric Constraints

• arxiv url: http://arxiv.org/abs/2611.01250v1
• Date: Sat, 31 Oct 2026 20:30:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:00:18.712851
• Title: Shades of Success: Evaluating Manipulation Quality from Object-Centric Constraints
• Title（参考訳）: 成功の影:オブジェクト中心制約によるマニピュレーション品質の評価
• Abstract要約: SPECTRAは、剛体オブジェクトを操作する際の実行品質を定量化するオブジェクト中心のフレームワークである。 タスク毎に30のデモを使用して、94%の精度で制約を回復する。
• 参考スコア（独自算出の注目度）: 4.231509966167837
• License:
• Abstract: As learned manipulation policies become increasingly capable of solving practical manipulation tasks, assessing how well a task is performed becomes a fundamental challenge. While binary labels confirm task success, they cannot distinguish successful executions with different levels of geometric precision. To address this, we introduce SPECTRA, an object-centric framework for quantifying execution quality in manipulation of rigid objects. From a small set of oracle demonstrations generated in simulation, SPECTRA represents object interactions through progress-aligned relative poses. SPECTRA identifies which relative-pose directions are constrained and their admissible variations from demonstrations. These constraints establish a reference for evaluating robotic manipulation tasks. To score an unseen execution, deviations beyond the admissible variation are summarized by a Task Quality Index Q in [0,1]. Across seven simulated tasks, SPECTRA recovers constraints with 94% accuracy using 30 demonstrations per task. On rollouts from three learned policies, its scores achieve pooled Spearman correlations with human judgments of p=0.81 over all rollouts and p=0.61 among successful rollouts, exceeding all baselines in both subsets. Using the task reference learned in simulation, we use SPECTRA to select the highest-scoring demonstrations for training a diffusion policy on hardware. Exploratory results show higher success rate than training on randomly selected demonstrations.
• Abstract（参考訳）: 学習された操作ポリシーは、実用的な操作タスクを解く能力が増すにつれて、タスクがどれだけうまく実行されるかを評価することが、根本的な課題となる。 バイナリラベルはタスクの成功を確認するが、幾何的精度の異なる実行を成功と区別することはできない。 これを解決するために、厳密なオブジェクトの操作における実行品質を定量化するためのオブジェクト中心フレームワークであるSPECTRAを紹介する。 シミュレーションで生成された小さなオラクルのデモから、SPECTRAはプログレス整列された相対的なポーズを通してオブジェクトの相互作用を表現する。 SPECTRAは、どの相対的な方向が制約されているかを特定し、その許容可能なバリエーションをデモから特定する。 これらの制約は、ロボット操作タスクを評価するための基準を確立する。 目に見えない実行を評価するために、[0,1]のタスク品質指標Qで許容可能な変動を超える偏差を要約する。 7つのシミュレーションタスクで、SPECTRAはタスク毎に30のデモを使用して94%の精度で制約を回復する。 学習された3つのポリシーからのロールアウトでは、そのスコアはすべてのロールアウトに対してp=0.81の人間判定とp=0.61のスピアマン相関を達成し、両方のサブセットにおいてすべてのベースラインを超えた。 シミュレーションで学習したタスク参照を用いて、SPECTRAを用いてハードウェア上で拡散ポリシーをトレーニングするための最高スコアのデモを選択する。 探索実験の結果,ランダムに選択した実演のトレーニングよりも高い成功率を示した。

関連論文リスト

• Not All Actions Contribute Equally: Learning Precise Progress Estimation from Imprecise Demonstrations [52.85692927198773]
  本研究では,不正確な実演から精度の高い進捗推定を学習できる新しい進捗推定器PRIMEを提案する。 PRIMEは多種多様なタスクに対して一貫して有効であり、様々な準最適度を持つデータに対して堅牢であることを示す。 特に、PRIMEの利点は、より高精度なシナリオでより顕著になり、政策の成功率を最大5倍に向上させる。
  論文  参考訳（メタデータ） (2026-10-16T17:07:39Z)
• 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)
• Behavior-Aligned Action Tokenization for Robot Policy Learning [9.37360970873363]
  自己回帰型ロボットポリシーは、観察から個別のアクショントークンを予測することによって、継続的な制御を学習する。 本研究では,対応する動作チャンクを選択し,その量子化座標を再構成とともに整列させる行動適応型行動トークン化(BAAT)を提案する。 履歴条件付き拡散復号器はこれらのトークンから連続的なアクションチャンクを再構成し、下流の自己回帰ポリシーはそれらを予測することを学ぶ。
  論文  参考訳（メタデータ） (2026-09-23T08:12:03Z)
• 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)
• Missing Bridges: Composition-Aware Active Imitation Learning [30.957721433554653]
  本稿では,アダプティブエージェントを遅延トポロジ(AALT)経由で導入する。 AALTは既存のデモを学習行動によって接続された潜在ハブ状態のトポロジに整理し、一度に多くのタスクを実行できる可能性のある高価値ブリッジのデモを特定し、それぞれをエキスパートクエリにグラウンドする。
  論文  参考訳（メタデータ） (2026-09-16T01:48:13Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• MATCH POLICY: A Simple Pipeline from Point Cloud Registration to Manipulation Policies [25.512068008948603]
  MATCH POLICYは、高精度なピックと配置タスクを解決するパイプラインである。 アクション推論をポイントクラウド登録タスクに転送する。 非常に高いサンプル効率と、目に見えない構成への一般化性を実現する。
  論文  参考訳（メタデータ） (2024-09-23T20:09:43Z)
• Data-CUBE: Data Curriculum for Instruction-based Sentence Representation Learning [85.66907881270785]
  本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。 タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。 インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
  論文  参考訳（メタデータ） (2024-01-07T18:12:20Z)
• On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
  マルチタスク学習の研究はコミュニティから大きな注目を集めている。 目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。 従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。 本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。 さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
  論文  参考訳（メタデータ） (2022-03-06T11:57:18Z)

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。