論文の概要: D&A: Decoupling Description and Assessment Enables VLMs as Zero-Shot Robotic Reward Models

• arxiv url: http://arxiv.org/abs/2611.03622v1
• Date: Mon, 02 Nov 2026 18:52:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.637094
• Title: D&A: Decoupling Description and Assessment Enables VLMs as Zero-Shot Robotic Reward Models
• Title（参考訳）: D&A: ゼロショットロボットリワードモデルとしてVLMを実現する記述と評価の分離
• Abstract要約: 我々は,D&A (Describe & Assess) を導入し,提案手法は進捗予測を,シーンダイナミクスのタスクグラウンドによるテキスト記述と,明示的なルーリックを用いた評価フェーズに分解する。 VLMは、スコアの前に明確なテキストベースの絶対成功の定義を合成することで、ビデオの内部タイムラインではなく、外部のグローバルな基準に評価を固定する。 実験の結果,提案手法はゼロショット推定を校正し,確認バイアスを軽減し,失敗を正確に補償し,正常に動作を補間する細粒度部分進行測定値を提供することがわかった。
• 参考スコア（独自算出の注目度）: 25.46173179160159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) hold promise for zero-shot video task-progress estimation in robot learning, yet existing frameworks frequently suffer from confirmation bias, hallucinating progress in failed executions due to implicit success assumptions or relative temporal ranking designs. Naive prompting of frontier models collapses into a binary success detector that fails to capture nuanced, non-linear progress and failures. While post-training approaches can mitigate this through explicit training, they demand expensive real-world robotics data and require computationally intensive post-training for every individual base model. To resolve these limitations, we introduce D&A (Describe & Assess): our approach decouples progress estimation into an objective, task-grounded textual description of scene dynamics followed by an assessment phase using explicit rubrics. By compelling the VLM to synthesize an explicit, text-based definition of absolute success before scoring, the framework anchors evaluations to an external, global criterion rather than the video's internal timeline. Empirical results demonstrate that our method calibrates zero-shot estimates and mitigates confirmation bias, providing fine-grained, partial progress metrics that accurately penalize failed executions while correctly interpolating successful runs. Being purely prompt-based, D&A generalizes across tasks, embodiments, and benchmarks---matching or surpassing post-trained reward models---and its reward estimates enable efficient downstream reinforcement learning.
• Abstract（参考訳）: ビジョンランゲージモデル(VLM)は、ロボット学習におけるゼロショットビデオタスクプログレス推定を約束するが、既存のフレームワークは、しばしば確認バイアスや、暗黙的な成功仮定や相対的な時間的ランク付けによる実行失敗の進行に悩まされる。 フロンティアモデルのナイーブプロンプトは、不規則で非線形な進行と失敗を捉えるのに失敗するバイナリ成功検出器に崩壊する。 ポストトレーニングのアプローチは、明示的なトレーニングによってこれを緩和するが、彼らは高価な現実世界のロボットデータを必要とし、個々のベースモデルごとに計算集約的なポストトレーニングを必要としている。 これらの制約を解決するため,我々はD&A (Describe & Assess) を導入し,提案手法は進捗予測を目的的,タスクベースによるシーンダイナミクスのテキスト記述に分解し,その後に明示的なルーリックを用いた評価フェーズを施した。 VLMは、スコアの前に明確なテキストベースの絶対成功の定義を合成することで、ビデオの内部タイムラインではなく、外部のグローバルな基準に評価を固定する。 実験の結果,提案手法はゼロショット推定を校正し,確認バイアスを軽減し,失敗を正確に補償し,正常に動作を補間する細粒度部分進行指標を提供することがわかった。 純粋にプロンプトベースであるため、D&Aはタスクや実施状況、ベンチマークを一般化する。

関連論文リスト

• Predictive Long-Horizon Progress Modeling with Action-Aware Quantification [7.021968033191757]
  アクション対応量子化(Action-Aware Quantification)は、長い水平軌道をオブジェクトレベルのサブタスクに分解する統一された進歩仕様である。 我々は、ジョイント・ビデオ・プログレス・ラーニングによって訓練された予測的進歩批評家であるNimCriticを紹介した。 NimCritic は、確立された Video Progress Benchmark (VPB) と LOOM で、最先端のプロセス報酬モデル (PRM) に適合する。
  論文  参考訳（メタデータ） (2026-10-23T15:25:06Z)
• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics [46.912038830356714]
  本稿では,ロボット作業の進捗を推定する時間的価値関数TOPRewardを紹介する。 130以上の異なる実世界のタスクに対するゼロショット評価では、TOPRewardはQwen3-VL上で0.947の平均値順序相関(VOC)を達成する。 我々は,TOPRewardがダウンストリームアプリケーションのための汎用ツールであることを示す。
  論文  参考訳（メタデータ） (2026-02-22T19:25:48Z)
• LIBERO-PRO: Towards Robust and Fair Evaluation of Vision-Language-Action Models Beyond Memorization [33.562814882942]
  LIBEROはVision-Language-Action (VLA)モデルを評価するための広く採用されているベンチマークとして登場した。 本稿では,モデル性能を合理的な摂動下で体系的に評価する拡張LIBEROベンチマークであるLIBERO-PROを紹介する。 実験の結果,既存のモデルでは標準LIBERO評価では90%以上の精度が得られたが,一般設定では0.0%に低下した。
  論文  参考訳（メタデータ） (2025-10-04T14:56:40Z)
• VITA: Zero-Shot Value Functions via Test-Time Adaptation of Vision-Language Models [49.78447737655287]
  VITAはゼロショット値関数学習法であり、テスト時間適応によって両方の能力を増強する。 オフライン強化学習において,VITAのゼロショット値推定が報酬形成に有効であることを示す。
  論文  参考訳（メタデータ） (2025-06-11T18:05:33Z)

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。