論文の概要: Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation
- arxiv url: http://arxiv.org/abs/2611.08577v3
- Date: Thu, 12 Nov 2026 16:51:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.855488
- Title: Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation
- Title(参考訳): Meituan-Robotics-0:デスクトップ操作のためのビジョン・ランゲージ・アクション・ファンデーションモデル
- Abstract要約: 本稿では,静的デスクトップ操作のための視覚言語行動基盤モデルであるMeituan-Robotics-0(MR0)を提案する。
MR0は1億4700万の視覚言語サンプルと、12のエボディメントにまたがる15,060時間のロボット軌道を組み合わせている。
イーサネット挿入では、ロールバックデータでトレーニングされたCFG-DAggerが70%成功し、進捗スコアは0.90である。
- 参考スコア(独自算出の注目度): 58.03615915160429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Meituan-Robotics-0 (MR0), a vision-language-action foundation model and embodied-agent system for stationary-base desktop manipulation. MR0 combines 147 million vision-language samples with 15,060 hours of curated robot trajectories spanning 12 embodiments. A three-stage training recipe aligns multimodal representations with robot behavior through discrete action-token pre-training, transfers these priors to continuous cross-embodiment control through flow-matching mid-training, and adapts the policy through real-world post-training. We introduce Rollback, which pairs replaced policy segments with human corrections to provide positive and negative supervision for CFG-DAgger without value learning or advantage labeling. A unified end-effector interface supports heterogeneous embodiments, while asynchronous action-chunk merging maintains smooth execution under variable inference latency. An event-driven agent maintains persistent task events and reassesses plans when progress or feasibility changes, enabling cross-task retrieval and conditional task resumption. MR0 achieves 93.6% success on RoboTwin 2.0 and ranks fifth in the RoboDojo VLA track. Under matched HG-DAgger post-training, MR0 achieves higher average success rate and progress score than $π_{0.5}$ across three real-robot tasks. On Ethernet insertion, CFG-DAgger trained with Rollback data reaches 70% success and a progress score of 0.90. Qualitative agent deployments demonstrate cross-task event retrieval and recovery from temporarily unsatisfied task conditions.
- Abstract(参考訳): 本稿では,静的なデスクトップ操作のための視覚言語行動基盤モデルであるMeituan-Robotics-0(MR0)を提案する。
MR0は1億4700万の視覚言語サンプルと、12のエボディメントにまたがる15,060時間のロボット軌道を組み合わせている。
3段階のトレーニングレシピは、個別のアクショントーケン事前学習を通じて、ロボットの動作とマルチモーダルな表現を調整し、フローマッチングミッドトレーニングを通じて、これらの先行を連続的なクロスボデーメント制御に移行し、実世界のポストトレーニングを通じてポリシーを適応させる。
本稿では,CFG-DAggerに対して,価値学習や有利なラベル付けを伴わず,肯定的かつ否定的な監視を行うために,ポリシーセグメントを人間の修正に置き換えるRollbackを紹介する。
統一されたエンドエフェクタインタフェースは異種エボディメントをサポートし、非同期アクションチャンクマージは可変推論レイテンシの下でスムーズな実行を維持する。
イベント駆動エージェントは、永続的なタスクイベントを保持し、進捗や実現可能性の変更時に計画を再評価し、クロスタスク検索と条件付きタスク再使用を可能にする。
MR0はRoboTwin 2.0で93.6%成功し、RoboDojo VLAトラックで5位となった。
HG-DAggerポストトレーニングでは、3つの実ロボットタスクの平均成功率と進捗スコアが$π_{0.5}$よりも高い。
イーサネット挿入では、ロールバックデータでトレーニングされたCFG-DAggerが70%成功し、進捗スコアは0.90である。
定性的エージェント配置は、一時的に満足できないタスク条件からのクロスタスクイベントの検索とリカバリを示す。
関連論文リスト
- Compounding Physical RSI: Turning Execution Failure into Inherited Capability [52.869820305496425]
複雑な物理RSIは、実行障害を遺伝能力に変える。
CSU-AI-07は3シードの平均スコア26.15、成功率20.70%でトップボードにランクインした。
論文 参考訳(メタデータ) (2026-11-04T15:31:04Z) - Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。
我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。
Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
論文 参考訳(メタデータ) (2026-10-14T03:15:23Z) - LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
LoopWAMは、現実世界のロールアウトから直接学習するクローズドループの世界アクションモデルである。
音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。
ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
論文 参考訳(メタデータ) (2026-10-13T17:59:56Z) - ASENA: Self-evolving Agents for Embodied Navigation [84.64998230277466]
ASENAは汎用コーディングエージェントをロボットセンシング、計算、教師付き実行、永続的な体験に接続する。
独立政策としてASENA-VLNはR2Rで68.7%、RxRで70.2%という最先端の成功率を達成した。
論文 参考訳(メタデータ) (2026-09-30T07:53:50Z) - ActionGround: Training-Free Runtime Refinement of Frozen VLA Policies [0.0]
VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,凍結したVLAポリシをラップした,ニューロシンボリックでトレーニング不要な実行層であるActionGroundを紹介する。
我々は,OpenVLA,OpenVLA-OFT,Force-VLA,Generalist-VLAの10種類のLIBERO-Spatial pick-and-placeタスクにおけるActionGroundの評価を行った。
論文 参考訳(メタデータ) (2026-09-27T05:59:06Z) - Facet-0: A Robotic Foundation Model for Contact-Rich Precise Manipulation [7.26562340208125]
ロボット基礎モデルであるFacet-0を提案する。
ManuFacet-1Kは3つの実施形態と複数の製造細胞にまたがる1000時間力同期コーパスである。
このシステムは5ミリ以下のコンピュータ組立タスクで平均82%成功し、最強のベースラインでは15%となる。
論文 参考訳(メタデータ) (2026-09-01T17:58:07Z) - HELP: Human-Efficient Large-Scale Robot Post-Training with Rollout Segmentation [24.40844636932594]
HELPは、人間の効率の良い大規模ロボットのポストトレーニングパイプラインである。
2つの特殊オペレーターが同時に12のロボットを監督します。
HELPは80%-95%の成功率を獲得し、タスクのスループットを1.7$times$--4.2$times$で改善する。
論文 参考訳(メタデータ) (2026-07-08T03:03:38Z) - Wall-OSS-0.5 Technical Report [13.983843529533113]
本稿では,アクションジェネレーションコンポーネントを付加した3B VLMバックボーン上に構築した,オープンソースの4B VLAであるWall-OSS-0.5を紹介する。
このモデルは20以上のエボディメントで事前訓練され、1エポックあたり100万以上のロボット軌道を処理する。
非自明なゼロショットのリアルタイムロボット動作を実現し、17タスクスイート上の高いタスク進捗において、ホールドアウトの変形可能な操作タスクを含むいくつかのタスクを完了させる。
論文 参考訳(メタデータ) (2026-05-29T06:04:03Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳(メタデータ) (2026-02-22T15:39:34Z)
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。