論文の概要: Closed-Loop Physics-Based Manipulation Evaluation at a Commodity Price: What 4.4 L4 GPU hours at $3.50 Buys You
- arxiv url: http://arxiv.org/abs/2611.07441v1
- Date: Thu, 05 Nov 2026 04:39:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.547397
- Title: Closed-Loop Physics-Based Manipulation Evaluation at a Commodity Price: What 4.4 L4 GPU hours at $3.50 Buys You
- Title（参考訳）: クローズドループ物理学に基づくコモディティ価格でのマニピュレーション評価:350ドルで4.4L4のGPU時間は?
- Abstract要約: 本稿では、サーバーレスコモディティGPUにおける200ロールアウトスケールでの再現可能な評価ハーネスラッパーについて述べる。
スパースデータを用いたアクションチャンキングにおいて,部分的に制御された負の結果が報告された。
この研究は、我々の再利用可能なハーネスを通じて、物理学に基づく政策開発と評価をさらに民主化する。
- 参考スコア（独自算出の注目度）: 0.118995786931709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Running evaluations of contact-rich robotic manipulation at statistical scale has largely been possible only at well-resourced labs, highlighting the need for affordable and efficient options for broader audiences. We present a reproducible evaluation harness wrapper based on a previous study at 200-rollout scale on serverless commodity GPUs, at a cost of approximately $3.50 USD and 38 minutes of wall-clock per replication (4.4 L4-GPU-hours across eight parallel shards). Using the harness, we report a partially controlled negative result on action chunking with sparse data: three independently trained chunked checkpoints produce zero genuine successes across 780 rollouts, while three single-step checkpoints range from 2.6% to 11.8% success rate. A per-step-replanning control partially isolates chunk prediction, rather than open-loop chunk execution as the mechanism, with the failure localized to the training formulation and multi-step prediction. This work further democratizes physics-based policy development and evaluation through our reusable harness.
- Abstract（参考訳）: 統計的スケールでの接触に富んだロボット操作の評価を実行することは、十分なリソースのラボでのみ可能であり、幅広い聴衆に安価で効率的な選択肢の必要性を強調している。
我々は、サーバーレスコモディティGPUの200ロールアウトスケールでの再現可能な評価ハーネスラッパーを、約3.50米ドル、1レプリケーションあたり38分(8つの並列シャードで4.4L4-GPU時間)のコストで提案する。
個別に訓練された3つのチェックポイントは780回のロールアウトで真に成功しないが、3つのシングルステップチェックポイントは2.6%から11.8%の成功率である。
ステップごとの計画制御は、トレーニング定式化とマルチステップ予測に局所化された障害を機構としてオープンループチャンク実行ではなく、チャンク予測を部分的に分離する。
この研究は、我々の再利用可能なハーネスを通じて、物理学に基づく政策開発と評価をさらに民主化する。
関連論文リスト
- Turing LLM Post-Training: Calibrated Distillation and Efficient Dynamic-MoE Execution [48.87945011066967]
本研究では, 動的経路混合(MoE)モデルのポストトレーニングについて検討し, コンソリデーション効率を維持しつつ, 独立的に最適化されたスペシャリストの統合に着目した。
提案手法は,教師が選択したTop-$K$サポートと教師の損失正規化とクリッピングを併用した校正型多目的蒸留(C-MOPD)と,ポストキャパシティ境界幅ディスパッチ,終局リプレイ,非同期ロールアウト-トレーニングオーバーラップを用いた実行パスを組み合わせたものである。
論文 参考訳（メタデータ） (2026-10-29T11:52:20Z) - VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。
一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。
提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
論文 参考訳（メタデータ） (2026-10-15T14:34:44Z) - Reduced Cost Quantum Kernel Training [0.0]
一級異常検出は、非変分量子カーネルモデルをトレーニングするための資源効率の良い操作機構である。
パワーロー飽和モデルは、トレーニングデータの増加を著しく減少させる。
Nystrm近似はカーネルの構成を$mathcalO(N2)$から$mathcalO(Nm)$評価に還元する。
論文 参考訳（メタデータ） (2026-10-03T01:00:19Z) - SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness [55.660824003457115]
RSIにインスパイアされたアプローチをハーネス層に導入し、多数の多様な環境にまたがって自動検索ループをスケールして、ハーネスをロールアウトします。
4つのメカニズムが選択を乗り越え、SoL-Piを形成し、アクションの実行、コンテキストのコンパクト化、監視処理、デリゲートされた読み込みを行う。
推定時給は、ネイティブのコーデックスやクロードコードと比べて8.75ドルから13.50ドル、Piと比較して4.36ドルから5.71ドルである。
論文 参考訳（メタデータ） (2026-09-17T14:58:29Z) - ForwardDLO: Model-Based Bimanual Shape Matching of Unconstrained Deformable Linear Objects [12.045392054359551]
ロープ、ケーブル、その他の変形可能な線形オブジェクトは、切断からケーブルのルーティング、縫合までタスクに現れる。
モデルに基づく形状制御を汎用的に研究する。
本稿では、この固定されていないバイマニュアル設定に対して、リカレント遅延力学モデルであるForwardDLOを提案する。
論文 参考訳（メタデータ） (2026-09-16T10:47:33Z) - Learning-Guided Planning in Large Dynamic Action Spaces: Budgeted Tree Search for One-to-Many Mobile Charging [0.0]
LP-BTSは学習誘導型計画アーキテクチャである。
単一の凍結チェックポイントは、評価されたすべての設定をカバーし、736から2,813停止までのアクション宇宙をカバーしている。
結果は、大規模で動的な行動空間における学習誘導計画に関する制御された証拠を提供する。
論文 参考訳（メタデータ） (2026-09-15T16:42:12Z) - Compact Visuotactile World Models for Lifting: Prediction, Reward Alignment, and Force Constraints [0.0]
Visuotactile dynamicsは力の作用効果のMAEを0.413Nから0.338Nに減少させる。
モデル支援フィードバックは、ID予算による成功を73.3%から93.3%に引き上げる。
RLは11.9%、リアクティブIQLは25.0%で成功している。
論文 参考訳（メタデータ） (2026-09-09T01:50:54Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - From Detection to Recovery: Operational Analysis on LLM Pre-training with 504 GPUs [1.2875754718643733]
この技術報告では63ノードのNVIDIA B200の生産クラスタを実証分析した。
5つのパーティ(SKT、Upstage、Lablup、NVIDIA Korea、VAST Data)が統合された監視パイプラインを共有している。
これにより、2-4ノードスケールでは見られない60ノードスケールのストレージI/Oボトルネックの診断が可能となった。
論文 参考訳（メタデータ） (2026-05-10T06:46:06Z) - Efficient Offline Policy Optimization with a Learned Model [83.64779942889916]
MuZero Unpluggedはログデータからオフラインポリシー学習に有望なアプローチを提供する。
MCTS(Monte-Carlo Tree Search)を学習モデルで実行し、Reanalyzeアルゴリズムを利用してオフラインデータから純粋に学習する。
本稿では,オフライン設定下では MuZero Unplugged がうまく動作しないという仮説について検討する。
論文 参考訳（メタデータ） (2022-10-12T07:41:04Z)
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。