論文の概要: Agentic-Teacher: An Agentic Data Engine for Failure-Driven VLA Post-Training
- arxiv url: http://arxiv.org/abs/2611.17394v1
- Date: Thu, 12 Nov 2026 15:43:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.240331
- Title: Agentic-Teacher: An Agentic Data Engine for Failure-Driven VLA Post-Training
- Title(参考訳): Agentic-Teacher: 障害駆動型VLAポストトレーニングのためのエージェントデータエンジン
- Abstract要約: Agentic-Teacherは、障害駆動型VLAポストトレーニングのための自動データエンジンである。
これらのデモンストレーションを学習に適させるため、エージェント教師は時間的に相関したアクションノイズを導入する。
- 参考スコア(独自算出の注目度): 36.445951809053554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Improving a pretrained vision-language-action (VLA) model requires demonstrations that address its weaknesses and provide effective supervision for learning. Coding agents can autonomously generate demonstrations through environment interaction, yet successful execution alone does not ensure effective supervision for VLA learning. We introduce Agentic-Teacher, an autonomous data engine for failure-driven VLA post-training. Given a VLA checkpoint, a task specification, and configured environment tools, the engine analyzes failed rollouts, selects intervention states, and iteratively develops closed-loop code policies through execution feedback. Validated policies become reusable demonstration generators that collect successful continuations from states where the VLA struggles. To make these demonstrations suitable for learning, Agentic-Teacher introduces temporally correlated action noise to broaden state-action coverage, removes idle frames while preserving gripper transitions, and filters trajectories using the frozen base model's flow-matching loss. The resulting demonstrations are combined with successful VLA rollouts for post-training, yielding an updated policy that operates without coding-agent assistance. Agentic-Teacher thus connects the weaknesses of a target VLA to both the generation and curation of its training data. In simulation, it improves $π_0$ success rates from 79.4% to 87.8% on LIBERO-10, from 80.4% to 90.6% on MetaWorld-10, and from 0% to 30.0% across three RoboCasa tasks.
- Abstract(参考訳): 事前訓練された視覚言語アクション(VLA)モデルを改善するには、その弱点に対処し、学習に効果的な監視を提供するためのデモが必要である。
コーディングエージェントは環境相互作用を通じて自律的にデモンストレーションを生成することができるが、成功した実行だけでは、VLA学習の効果的な監視が保証されない。
本稿では,障害駆動型VLAポストトレーニングのための自律型データエンジンであるAgentic-Teacherを紹介する。
VLAチェックポイント、タスク仕様、設定された環境ツールを与えられたエンジンは、失敗したロールアウトを分析し、介入状態を選択し、実行フィードバックを通じてクローズドループコードポリシーを反復的に開発する。
検証されたポリシーは再利用可能なデモジェネレータとなり、VLAが苦労している状態からの継続を成功させる。
これらのデモンストレーションを学習に適したものにするため、エージェント・ティーチャーは、時間的に相関した動作ノイズを導入し、状態-動作カバレッジを広げ、グリップの遷移を保ちながらアイドルフレームを除去し、凍結ベースモデルのフローマッチング損失を用いて軌跡をフィルタリングする。
結果として得られたデモは、トレーニング後のVLAロールアウトの成功と組み合わせられ、コーディングエージェントを介さずに動作するポリシーが更新される。
これにより、エージェントTeacherは、ターゲットVLAの弱点をトレーニングデータの生成とキュレーションの両方に接続する。
シミュレーションでは、合格率は79.4%から87.8%に改善され、MetaWorld-10では80.4%から90.6%に、RoboCasaでは0%から30.0%に改善された。
関連論文リスト
- Find Something You Can't Do: Agentic Real-World Reinforcement Learning for Self-Improving VLA Models [17.22121928229907]
textbfFINDはエージェントによる実世界の強化学習フレームワークである。
シーン理解、弱点を認識した実践、自己評価、政策改善のループを閉じます。
代表者は6時間以内に456回の自律的なエピソードを完了させる。
論文 参考訳(メタデータ) (2026-09-25T23:06:53Z) - Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。
Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。
4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
論文 参考訳(メタデータ) (2026-09-16T06:38:36Z) - SENTINEL: Failure-Driven Reinforcement Learning for Training Tool-Using Language Model Agents [52.758563996979596]
言語モデルエージェントは、マルチターンツールの使用によって現実的なタスクを解決するのにますます効果的である。
SENTINELは障害駆動型強化学習フレームワークで,障害のロールアウトを目標とするトレーニングタスクに変換する。
Tau2-Bench Retail with Qwen3-4B-Thinking-2507では、SENTINELはPass1を66.4から74.9に改善し、Passkメトリクス全体にわたる一般的な合成タスクにおいてRLを上回っている。
論文 参考訳(メタデータ) (2026-06-11T05:06:50Z) - Sentinel-VLA: A Metacognitive VLA Model with Active Status Monitoring for Dynamic Reasoning and Error Recovery [62.75419724651416]
textbfSentinel-VLAは,リアルタイム実行状況を監視するアクティブセンチネルモジュールを備えたメタ認知型VLAモデルである。
すべてのトレーニングデータは、設計したパイプラインを通じて自動生成され、注釈付けされます。
実世界の実験では、Sentinel-VLAはSOTAモデルであるPI0と比較してタスク成功率を30%以上向上することを示した。
論文 参考訳(メタデータ) (2026-05-02T02:10:54Z) - Jump-Start Reinforcement Learning with Vision-Language-Action Regularization [1.2599533416395767]
強化学習(RL)は、ロボット操作のための高周波閉ループ制御を可能にする。
現在の制限は、高速かつ正確な操作において直接の使用を妨げる。
探索と学習効率を向上させるために,VLAJS(Vision-Language-Action Jump-Starting)を提案する。
論文 参考訳(メタデータ) (2026-04-15T11:17:54Z) - Demonstration-Free Robotic Control via LLM Agents [0.0]
FAEA (Frontier Agent as Embodied Agent) を導入する。
FAEAは、特権環境の状態アクセスにより、それぞれ84.9%、85.7%、96%の成功率を達成した。
この結果から,汎用エージェントは,熟考的タスクレベルの計画に支配される操作タスクのクラスに十分であることが示唆された。
論文 参考訳(メタデータ) (2026-01-28T07:49:35Z) - On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。
現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。
本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
論文 参考訳(メタデータ) (2026-01-11T01:51:30Z) - EVOLVE-VLA: Test-Time Training from Environment Feedback for Vision-Language-Action Models [57.75717492488268]
VLA(Vision-Language-Action)モデルは、大きな言語モデルを活用することで高度なロボット操作を行う。
Supervised Finetuning (SFT) では、タスク毎の数百のデモ、厳格に軌跡を記憶すること、デプロイメント条件がトレーニングから逸脱したときに適応できないことなどが求められている。
EVOLVE-VLA(EVOLVE-VLA)は、VLAが最小またはゼロのタスク固有のデモで環境相互作用を通じて継続的に適応できるテストタイムトレーニングフレームワークである。
論文 参考訳(メタデータ) (2025-12-16T18:26:38Z) - ConRFT: A Reinforced Fine-tuning Method for VLA Models via Consistency Policy [10.596344084789434]
VLA(Vision-Language-Action)モデルは、現実世界のロボット操作において大きな可能性を示している。
これらのモデルを教師付き学習で微調整することで、制限された一貫性のないデモのために堅牢なパフォーマンスを達成することができる。
我々は,オフラインとオンラインのファインチューニングで構成されるConRFTという,VLAモデルのための強化されたファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2025-02-08T05:01:17Z)
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。