論文の概要: Human-to-Robot Transfer via Bridging Representation and Action Space in VLAs

• arxiv url: http://arxiv.org/abs/2611.04391v1
• Date: Tue, 03 Nov 2026 06:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-10 00:31:34.884764
• Title: Human-to-Robot Transfer via Bridging Representation and Action Space in VLAs
• Title（参考訳）: VLAにおけるブリッジ表現とアクション空間による人間とロボットの移動
• Abstract要約: H2RB(Human-To-Robot Bridge)は、人間とロボットの実証から事前訓練されたVLAポリシーを適用するための、人間とロボットの協調訓練フレームワークである。 H2RBはオブジェクト転送性能を8.0から51.8に大幅に改善し、コトレインのベースラインが人間の実証的なスキルの転送に完全に失敗する状況において、62.7のスコアへのスキル転送を可能にした。
• 参考スコア（独自算出の注目度）: 53.45816509579393
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Pretrained Vision-Language-Action (VLA) policies provide a strong starting point for deployment, but adapting them to a target robot and environment still requires costly embodiment-specific demonstrations. Human demonstrations are far easier to collect, yet directly leveraging them is challenging due to the substantial human-robot embodiment gap, particularly when the underlying VLA has been pretrained primarily on robot data. We introduce H2RB (Human-To-Robot Bridge), a human-robot co-training framework for adapting pretrained VLA policies from unpaired human and robot demonstrations. H2RB bridges the embodiment gap at both interfaces: geometry-anchored alignment grounds human and robot observations in a compatible representation, while a decoupled-decoder tokenizer shares action latents without forcing both domains through a single action mapping. This design allows human demonstrations to provide useful behavioral supervision while retaining the rich visual, semantic, and control priors of the pretrained VLA. Across real-world tasks, H2RB substantially improves object transfer performance from 8.0 to 51.8 and enables skill transfer to score 62.7, in settings where co-train baselines totally fail to transfer human-demonstrated skills. The benefit also persists under object-placement shifts, improving out-of-distribution transfer from 6.0 to 45.3. H2RB suggests a way for human demonstrations to serve as a scalable supervision source for adapting pretrained robotic policies, reducing the dependence on costly target-robot data collection.
• Abstract（参考訳）: 事前訓練されたビジョン・ランゲージ・アクション(VLA)ポリシーは、デプロイメントの強力な出発点を提供するが、ターゲットのロボットや環境にそれらを適応させるには、コストがかかるエンボディメント固有のデモンストレーションが必要である。 人間のデモは収集がずっと簡単だが、人間とロボットのエンボディメントのギャップがかなり大きいため、直接的に活用することは難しい。 H2RB(Human-To-Robot Bridge)は、人間とロボットの実証から事前訓練されたVLAポリシーを適用するための、人間とロボットの協調訓練フレームワークである。 H2RBは両方のインターフェースのエンボディメントギャップを埋める: ジオメトリアンコレッドアライメントは、人間とロボットの観察を互換性のある表現で接地し、デカップリングデコーダトークンーは、両方のドメインを単一のアクションマッピングで強制することなく、アクションラテントを共有する。 この設計により、人間のデモンストレーションは、事前訓練されたVLAの豊富な視覚的、意味的、制御的事前を保ちながら、有用な行動監視を提供することができる。 H2RBは現実世界のタスク全体にわたって、オブジェクト転送性能を8.0から51.8に大幅に改善し、コトレインベースラインが完全に人間の実証的なスキルの伝達に失敗する状況下で、62.7のスコアへのスキル転送を可能にした。 この利点は、対物配置シフトの下でも持続し、6.0から45.3への分布外移動を改善する。 H2RBは、人間によるデモンストレーションが、トレーニング済みのロボットポリシーを適応するためのスケーラブルな監視ソースとして機能し、コストのかかるターゲットロボットデータ収集への依存を減らす方法を提案する。

関連論文リスト

• WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation [30.730467262133544]
  本稿では,WB-WAMについて述べる。WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAMの3つを紹介する。 共有された物理アクション空間は、異種ソースからの体、根、および異種手アノテーションを統合し、共同ビデオとアクション学習を可能にする。 我々はHumanoidArenaで81.9%の強い全身タスク性能を示し、実際の実験では5つのタスクで84.0%の成功率でWB-WAMを検証する。
  論文  参考訳（メタデータ） (2026-09-28T03:11:19Z)
• AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation [61.436480565887905]
  汎用的なロボット操作は、シーンがどのように進化するかを予測する必要がある。 アクションラベル付きロボットビデオは、直接制御を監督するが、コストが高く、多様性に制限がある。 本稿では,Scalr Affordance と Affordance Heatmap によるオブジェクトの空き時間を表す,空き時間を考慮した World Action Model を提案する。
  論文  参考訳（メタデータ） (2026-09-16T14:07:06Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)

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。