論文の概要: OopsieRecover: Learning Transferable VLA Corrections from Semantic Interventions
- arxiv url: http://arxiv.org/abs/2611.08462v1
- Date: Thu, 05 Nov 2026 18:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.629381
- Title: OopsieRecover: Learning Transferable VLA Corrections from Semantic Interventions
- Title（参考訳）: OopsieRecover: 意味的介入から伝達可能なVLA補正を学習する
- Abstract要約: VLA(Vision-Language-Action)モデルは、幅広いロボット操作タスクを実行できるが、展開中に失敗することが多い。
既存のアプローチは、実証された観察と矯正行動を直接関連付けることによって、失敗から回復することを学ぶ。
OopsieRecover(オプシー・リカバー)は、誘拐を利用した、小さな修正デモのセットの背後にある意図を推測するフレームワークである。
- 参考スコア（独自算出の注目度）: 17.387521468338317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language-Action (VLA) models can perform a wide range of robotic manipulation tasks, but often fail during deployment. Teaching them to recover from these failures requires substantial corrective data: existing approaches learn to recover from failures by directly associating corrective actions with the observations in which they were demonstrated. For instance, DAgger-like fine-tuning can require tens to hundreds of interactions, yet the resulting policy may still fail to generalize the learned corrections beyond the demonstrated scenarios. We hypothesize that semantics can capture the underlying reasons for failures and their corrections, enabling policies to learn from only a handful of corrective demonstrations and generalize those corrections to novel objects, and scene variations. We propose OopsieRecover, a framework that uses abduction to infer the intent behind a small set of corrective demonstrations and encodes the inferred knowledge as dense spatial representations and conditional costs. These costs capture when a behavior is undesirable and steer the policy toward more desirable action regions. We experiment across 6 tasks and variations in object poses, scenes, and related tasks, and find that only a handful of corrective demonstrations can enable a VLA to overcome failures across a broad range of novel situations, without requiring new corrective data for each variation. Please refer to https://robin-lab.cs.utexas.edu/oopsierecover for videos.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、幅広いロボット操作タスクを実行できるが、展開中に失敗することが多い。
既存のアプローチは、それらが実証された観察と直接関連付けることで、失敗から回復することを学びます。
例えば、DAggerのような微調整は、数十から数百の相互作用を必要とするが、結果として得られるポリシーは、実証されたシナリオを超えて学習された補正を一般化することができない。
セマンティクスは、失敗とその修正の根底にある理由を捉えることができ、ポリシーは少数の修正的なデモンストレーションから学習し、それらの修正を新しいオブジェクトに一般化し、シーンのバリエーションを表現できる、という仮説を立てる。
提案するOopsieRecoverは, 減算を用いて, 少量の修正デモの背後にある意図を推測し, 推論された知識を密集した空間表現と条件付きコストとして符号化するフレームワークである。
これらのコストは、振る舞いが望ましくないときに捕捉され、より望ましい行動領域に向けてポリシーを操縦する。
我々は、オブジェクトのポーズ、シーン、関連するタスクの6つのタスクとバリエーションを実験し、VLAが各バリエーションに対して新たな修正データを必要とすることなく、広範囲の新たな状況における障害を克服できるのは、少数の修正的なデモのみであることを示す。
ビデオについてはhttps://robin-lab.cs.utexas.edu/oopsierecoverを参照してください。
関連論文リスト
- PerturBot: Breaking Shortcut Priors in Vision-Language-Action Models with Perturbative Training [54.81497176604651]
視覚-言語-アクション(VLA)ポリシーは、その行動を決定する証拠を無視しながら、複雑なタスクを完了することができる。
私たちはこれらの依存関係をモダリティショートカット(Modality shortcuts)と呼んでいる: 成功例の正規性は、専門家の行動を予測するのに十分な視覚的、語彙的、あるいは運動的手がかりを生み出す。
本稿では,タスク関連エビデンスをより使いやすくし,自分でもショートカットが不十分なPerturbotを提案する。
論文 参考訳（メタデータ） (2026-10-03T15:57:51Z) - When Instructions Retrieve Trajectories: Diagnosing and Mitigating Generalization Failures in VLA Models [18.16273179954973]
視覚言語アクション(VLA)モデルは、分配タスクで90%以上の成功を達成できる。
ポリシーは言語と視覚の両方に反応するが、それらを組み合わせてタスクが必要とするアクションを選択することはない。
細調整された$_0.5$とGR00T-N1.7ポリシーの振る舞い解析により、ロールアウトが失敗した場合、ソースの動作を維持したり、別のデモタスクに切り替えたりすることが多いことが明らかになった。
論文 参考訳（メタデータ） (2026-09-30T15:34:57Z) - VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies [12.698552476812855]
VLA(Vision-Language-Action)ポリシーによる長距離ロボット操作は、実行時の逸脱に対して脆弱である。
本稿では,固定VLAポリシのクローズループ修正を可能にする,ステージアウェアの故障検証とPromptリカバリフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-06T09:50:30Z) - Training-Free Action Correction for VLA Model Failures via Language Feedback [10.580497073867159]
我々は,タスクレベルの自然言語修正を政策重みを変更せずに付加的な行動大調整に変換するフレームワークであるCorrectVLAを提案する。
シミュレーションでは、CorrectVLAは、配信中のタスクとOODタスクの両方にわたる実行ミスアライメント障害を回復する。
ポリシーが正しい目標に達するが、アクションの規模を誤る実行ミスアライメント障害は、修正可能なサブセットを表す。
論文 参考訳（メタデータ） (2026-08-30T18:54:03Z) - Beyond Monotonic Progress: Retry-Supervised Value Learning for Robot Imitation [38.88183703128359]
混在型ロボットのデモから誤検知値関数を学習するフレームワークであるReTVL(ReTry-Supervised Value Learning)を提案する。
ReTVLは、グローバルプログレスキャリブレーションとローカルなペアワイズ選好学習を組み合わせることで、ミスに伴う局所的な劣化・回復構造をキャプチャする。
実ロボット操作タスクの実験では、ReTVLは進捗ベースのベースラインよりもよりきめ細かな値推定を生成する。
論文 参考訳（メタデータ） (2026-06-23T14:27:10Z) - When Correct Demonstrations Hurt: Rethinking the Role of Exemplars in In-Context Learning [14.102553871638243]
インコンテキスト学習(ICL)は、しばしばデモが正しいインプット・アウトプットの例を提供するために役立つ直感によって動機づけられる。
有効性は保証されていないことを示し、いくつかの正しい実演はICLの精度を低下させることさえできることを示した。
以上の結果から,頑健なICLは実演が正しいかどうかだけでなく,文脈的推論にどのように影響するかを評価する必要があることが示唆された。
論文 参考訳（メタデータ） (2026-05-25T21:52:49Z) - DreamAvoid: Critical-Phase Test-Time Dreaming to Avoid Failures in VLA Policies [65.27025563507961]
本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのためのクリティカルフェーズテストタイムドリームフレームワークであるDreamAvoidを提案する。
また、自律的な境界学習パラダイムを導入し、成功と失敗の微妙な境界に対するシステムの理解を深める。
その結果、DreamAvoidは失敗を効果的に回避し、全体的なタスク成功率を改善することができた。
論文 参考訳（メタデータ） (2026-05-12T08:27:16Z) - TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。
本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。
我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
論文 参考訳（メタデータ） (2026-03-25T17:56:32Z) - Scalable and Robust LLM Unlearning by Correcting Responses with Retrieved Exclusions [49.55618517046225]
Webスケールのコーパスリスクを記憶し、センシティブな情報を暴露する言語モデル。
本稿では,新しいアンラーニングフレームワークであるCorrective Unlearning with Retrieved Exclusions (CURE)を提案する。
CUREは、リークのモデル出力を確認し、安全な応答に修正する。
論文 参考訳（メタデータ） (2025-09-30T09:07:45Z) - Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。
Instruct-Verify-and-Act(IVA)を提案する。
実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
論文 参考訳（メタデータ） (2025-08-22T10:54:33Z) - Machine Vision Therapy: Multimodal Large Language Models Can Enhance Visual Robustness via Denoising In-Context Learning [67.0609518552321]
本稿では,視覚モデルからノイズ予測を補正するマシンビジョンセラピーを提案する。
復調ラベルを微調整することにより、教師なしの方法で学習モデルの性能を高めることができる。
論文 参考訳（メタデータ） (2023-12-05T07:29:14Z)
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。