論文の概要: Rollout then Recycle: 3,718 Labelled Real-Robot Episodes from Benchmarking 7 Policies on 12 Tasks
- arxiv url: http://arxiv.org/abs/2611.03168v1
- Date: Mon, 02 Nov 2026 14:08:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 12:50:04.37042
- Title: Rollout then Recycle: 3,718 Labelled Real-Robot Episodes from Benchmarking 7 Policies on 12 Tasks
- Title(参考訳): ロールアウトからリサイクル:12タスクで7つのポリシーをベンチマークした実ロボットエピソード3,718件
- Abstract要約: 我々はArmnetBench v0.1の評価から3,718エピソードを全てリリースする。
このノートには、エピソードがどのように収集され、それらの使用に影響を及ぼす可能性のある制限が記載されている。
- 参考スコア(独自算出の注目度): 0.22940141855172033
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We release all 3,718 episodes from the ArmnetBench v0.1 evaluation (arXiv:2607.24481), which contains 600 teleoperated demonstrations and 3,118 rollouts of seven imitation-learning and vision-language-action policies on 12 tabletop tasks, recorded on low-cost SO-101 arms; 73% of the rollouts are failures. Every policy for a task was trained or fine-tuned on the same 50 demonstrations and rolled out on the same cell, so the corpus contains many policies' failures on shared tasks. An operator labelled every rollout successful, suboptimal or failure. Each episode has three camera views, joint states and actions and is available on the Hugging Face Hub in LeRobot v3.0 and a reward-model format. This note documents how the episodes were collected and the limitations that could affect their use.
- Abstract(参考訳): 我々はArmnetBench v0.1の評価(arXiv:2607.24481)から3,718エピソードを全てリリースし、600回の遠隔操作デモと、12のテーブルトップタスクにおける7つの模倣学習と視覚言語アクションポリシーのロールアウトを含むロールアウトのうち73%が失敗である。
タスクのすべてのポリシーは、同じ50のデモで訓練または微調整され、同じセルでロールアウトされたため、コーパスは共有タスクで多くのポリシーの失敗を含む。
オペレーターはすべてのロールアウトを成功、最適、または失敗とラベル付けした。
各エピソードには3つのカメラビュー、ジョイントステート、アクションがあり、LeRobot v3.0のHugging Face Hubと報酬モデルフォーマットで利用できる。
このノートには、エピソードがどのように収集され、それらの使用に影響を及ぼす可能性のある制限が記載されている。
関連論文リスト
- Does Validation Loss Predict Real-Robot Success? Evidence from Four Imitation-Learning Policies on a Low-Cost Arm [0.0]
ヘルドアウト検証損失は、チェックポイントを選択するための標準的なオフライン信号である。
ACT、拡散政策、SmolVLA、および$_0.5$(アクションエキスパートのみ)について測定する。
25のホールトアウトデモで82のチェックポイントを記録し、各ポリシのトレーニング損失と、出力するアクションのエラーを判定する。
論文 参考訳(メタデータ) (2026-10-30T19:05:01Z) - VibeVideoBench: Evaluating Multimodal Agents on Code-Driven Video Generation [54.06324099927377]
VibeVideoBenchは、コード駆動のビデオ生成のエージェントを評価するためのベンチマークである。
英語と中国語の239の自己完結タスクは12のカテゴリにまたがっている。
各タスクは、イメージやビデオ生成モデルのないサンドボックス内のネイティブハーネス内で実行されているエージェントに、1時間以内に完了したMP4を配信するように要求する。
論文 参考訳(メタデータ) (2026-10-26T17:59:32Z) - 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) - Co-Evolving Robot Orchestrators and Policies through Deployment [39.83012561389426]
視覚言語モデル(VLM)オーケストレータは、ポリシーをいつ呼び出すか、どのように指示するか、代わりにスクリプトスキルを使用するかを学ぶ。
デプロイ中にオーケストレータとポリシが共進化するRobo-COPを提案する。
シミュレーションされた10のRoboLabタスクの中で、Robo-COPは、凍結したポリシーで同じハーネスで64.8%から73.8%のホールドアウト成功率を示した。
論文 参考訳(メタデータ) (2026-10-06T23:44:35Z) - Keep the Effect, Drop the Actor: Programmable Effect-to-Execution World-Action Models [7.9328487827078975]
PEWAMは、独立したフローマッチング時間を持つ4つのストリームとして、エフェクト、ロボット実行、アクション、端末状態を生成する。
保持されたLIBERO-Goalタスクでは、デモのプログラムが90エピソード中40エピソードを完了し、同じバックボーンがゴールイメージまたは言語を与え、デモ条件付きメソッドを発行する。
プログラムは座標の集合であるので、人はそれを編集できる。配置はシフトした端末状態に従い、グリップは回転した接触点で回転する。
論文 参考訳(メタデータ) (2026-10-01T19:25:04Z) - 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) - ArmnetBench v0.1: Parallel Real-World Evaluation of Manipulation Policies on a Low-Cost Arm Farm [0.22940141855172033]
ArmnetBench v0.1は低価格のSO-101セルのベンチマークである。
12タスクにまたがる7つのポリシーと、シングルアームとバイマニュアル構成を比較します。
各ポリシーは、タスク毎に50のデモでトレーニングまたは微調整される。
論文 参考訳(メタデータ) (2026-07-27T14:16:43Z) - WatchAct: A Benchmark for Behavior-Grounded Robot Manipulation [49.31386176285509]
WatchActは、観察された人間の行動に基づくロボット操作のベンチマークである。
WatchActは4つの機能ドメインで14タスクにわたる3,000のロングホライゾンインスタンスで構成されている。
シミュレーションとFranka Research 3ロボットの両方で、現在のシステムはWatchActの解決には程遠い。
論文 参考訳(メタデータ) (2026-06-24T23:13:56Z) - SemEval-2024 Shared Task 6: SHROOM, a Shared-task on Hallucinations and Related Observable Overgeneration Mistakes [48.83290963506378]
本稿では,幻覚検出に焦点をあてた共有タスクであるSHROOMの結果について述べる。
このアプローチをどのように取り組んだかについて、いくつかの重要なトレンドを観察します。
チームの大多数が提案したベースラインシステムより優れていますが、トップスコアシステムのパフォーマンスは依然として、より困難なアイテムのランダムなハンドリングと一致しています。
論文 参考訳(メタデータ) (2024-03-12T15:06:22Z)
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。