論文の概要: Can Astra Solve RoboMME without Breaking the Bank?
- arxiv url: http://arxiv.org/abs/2611.06184v1
- Date: Wed, 04 Nov 2026 09:01:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.035215
- Title: Can Astra Solve RoboMME without Breaking the Bank?
- Title（参考訳）: AstraはRoboMMEを銀行を壊さずに解決できるのか?
- Abstract要約: 本稿では,RoboMMEベンチマークのための3層システムを提案する。
RoboMMEでは、平均3.63Astraコールと80.84秒のエピソードの79.13%が成功している。
- 参考スコア（独自算出の注目度）: 14.376012133962204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robotic manipulation often requires remembering information that is no longer visible, such as an object's location before occlusion or the order of a demonstrated action sequence. A large vision-language planner can read this history, but calling it before every action chunk is slow and costly. We present a three-tier system for the RoboMME benchmark. GPT-6 Astra (System 2) selects a grounded subtask from stored visual history, a $π_{0.5}$ vision-language-action policy (System 1) executes it, and a fine-tuned Qwen3-VL-4B monitor (System 1.5) checks after each action chunk whether the subtask is finished. The instruction is kept until the monitor reports completion or a task-specific event occurs, while the policy keeps acting on new observations. On RoboMME, the system succeeds in 79.13% of episodes with an average of 3.63 Astra calls and 80.84 seconds per episode. This is 34.62 points above the best published non-oracle baseline and 4.95 points below GroundSG+Oracle, which gives the low-level policy ground-truth subgoals.
- Abstract（参考訳）: ロボット操作では、隠蔽前の物体の位置や実証されたアクションシーケンスの順序など、見えなくなった情報を記憶する必要があることが多い。
大きな視覚言語プランナーがこの履歴を読むことができるが、すべてのアクションチャンクが遅くてコストがかかる前に呼び出すことができる。
本稿では,RoboMMEベンチマークのための3層システムを提案する。
GPT-6 Astra(System 2)は、記憶された視覚履歴から接地サブタスクを選択し、$π_{0.5}$ビジョン言語アクションポリシー(System 1)はそれを実行し、微調整されたQwen3-VL-4Bモニタ(System 1.5)は、サブタスクが完了したかどうかを各アクションチャンクの後にチェックする。
指示は、モニターが完了またはタスク固有のイベントを報告するまで保持され、ポリシーは新しい観察に作用し続ける。
RoboMMEでは、平均3.63Astraコールと80.84秒のエピソードの79.13%が成功している。
これは、最も公表された非オラクルベースラインの34.62点、GroundSG+Oracleの4.95点より上であり、低レベル政策の地味なサブゴールを与えている。
関連論文リスト
- Plan First, Act Later: Streaming Reasoning for Executable Memory in Robot Control [9.378631606685452]
ロングホライズンロボットの操作は、ロボットが短い観察窓を越えてタスク関連情報を記憶する必要がある。
既存のメモリ拡張ポリシは、通常、履歴から関連する情報を取得し、実行時にそれについて推論する。
視覚言語ロボット操作のための階層型メモリフレームワークであるPALを提案する。
論文 参考訳（メタデータ） (2026-10-21T07:27:58Z) - LADDER: A Long-Horizon Robot Manipulation Benchmark [54.78144820533299]
汎用ロボット操作ポリシーは、短距離のスキルを効果的に学習するが、短距離のタスクでは急速に低下する。
LADDER(Long-Horizon Robot Operations benchmark)は,3つのスイートで同じ環境下で1から10のサブゴールのスケーリングを行う。
低レベルポリシー(VoLo)のテキストサブゴールとツール選択オーケストレーション(CaP-X, GPT-Policy, PSP-Agent, TiPToP)の2つのオーケストレーションパラダイムを評価した。
論文 参考訳（メタデータ） (2026-10-13T09:42:04Z) - Can a Frontier VLM Serve as a Robot Policy for Memory-Dependent Manipulation? [4.625296998318167]
我々は,RoboMMEのロボットポリシーとして,凍結フロンティア視覚言語モデル GPT-6-Astra を直接使用した。
800回のテストでは92.1%で成功し、前回の報告では90.5%だった。
結果は、長期計画、メモリ、エンドエフェクタコントロールの通常の分割を曖昧にします。
論文 参考訳（メタデータ） (2026-10-12T20:00:10Z) - WorldGuide: Goal-Directed Video World Model for Procedural Task Execution [72.44464069390854]
視覚空間における閉ループタスク実行としての手続き型ビデオ生成の定式化
WorldGuideはアトミックアクションを予測し、対応するビデオクリップを生成し、生成された結果を使用して次のアクションを選択したり、終了したりする。
WorldGuideはtextbfWorldGuide-Benchで33.33%のタスク成功を達成したが、最近の強力なビデオモデルMiniMax-H3では29.90%だった。
論文 参考訳（メタデータ） (2026-10-08T17:59:31Z) - Beyond the Current Scene: Event-Referential Grasping with Active View Selection [58.13862796903706]
ゼロショットロボット把握システムであるBeyondSCeを紹介する。
システムは、要求されたオブジェクトまたは部分を特定し、それを把握するためにローカライズする。
達成率76%、達成目標77%を達成している。
論文 参考訳（メタデータ） (2026-09-30T09:27:02Z) - 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) - An Unexpected Robot Policy: Early Evaluations of GPT-6 Astra on RoboDojo and Beyond [30.63361320122993]
本研究では,大規模言語モデル(LLM)がタスク固有の微調整を伴わずにロボット操作のポリシーとして機能するかどうかを問う。
42のRoboDojoタスクで3つのLLMを評価し、そのスコアと40の公開ポリシーを比較した。
論文 参考訳（メタデータ） (2026-09-21T06:39:47Z) - 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) - Sequential Planning via Anchored Robotic Keypoints [3.176338968032152]
トレーニング不要なニューロシンボリック操作システムであるSPARK(Anchored Robotic Keypoints, SPARK)について述べる。
単一のGeminiコールは、構成可能なキネマティックプリミティブの型付き振舞いツリー(BT)としてプランを構成する。
2つ目のGeminiコールでは、オブジェクトごとに3つの代替テキストプロンプトが提案され、SAM3がそれぞれを評価します。
代替のプロンプトは、空間スイートに+27.7、オブジェクトスイートに+10.0、全体のリカバリループに+5.0を加算する。
論文 参考訳（メタデータ） (2026-06-29T17:48:01Z) - 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)
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。