論文の概要: An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges

• arxiv url: http://arxiv.org/abs/2512.11362v3
• Date: Fri, 19 Dec 2025 09:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.298725
• Title: An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges
• Title（参考訳）: ビジョン・ランゲージ・アクションモデルの解剖:モジュールからマイルストーン・チャレンジへ
• Authors: Chao Xu, Suyu Zhang, Yang Liu, Baigui Sun, Weihong Chen, Bo Xu, Qi Liu, Juncheng Wang, Shujun Wang, Shan Luo, Jan Peters, Athanasios V. Vasilakos, Stefanos Zafeiriou, Jiankang Deng,
• Abstract要約: VLA(Vision-Language-Action)モデルは、ロボット工学の革命を駆動し、機械が指示を理解し、物理的な世界と対話することを可能にする。 この調査は、VLAのランドスケープを明確かつ構造化したガイドを提供する。
• 参考スコア（独自算出の注目度）: 87.35344276973537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models are driving a revolution in robotics, enabling machines to understand instructions and interact with the physical world. This field is exploding with new models and datasets, making it both exciting and challenging to keep pace with. This survey offers a clear and structured guide to the VLA landscape. We design it to follow the natural learning path of a researcher: we start with the basic Modules of any VLA model, trace the history through key Milestones, and then dive deep into the core Challenges that define recent research frontier. Our main contribution is a detailed breakdown of the five biggest challenges in: (1) Representation, (2) Execution, (3) Generalization, (4) Safety, and (5) Dataset and Evaluation. This structure mirrors the developmental roadmap of a generalist agent: establishing the fundamental perception-action loop, scaling capabilities across diverse embodiments and environments, and finally ensuring trustworthy deployment-all supported by the essential data infrastructure. For each of them, we review existing approaches and highlight future opportunities. We position this paper as both a foundational guide for newcomers and a strategic roadmap for experienced researchers, with the dual aim of accelerating learning and inspiring new ideas in embodied intelligence. A live version of this survey, with continuous updates, is maintained on our \href{https://suyuz1.github.io/VLA-Survey-Anatomy/}{project page}.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、ロボット工学の革命を駆動し、機械が指示を理解し、物理的な世界と対話することを可能にする。 この分野は、新しいモデルとデータセットで爆発しているため、エキサイティングで、ペースを保ち続けることが難しい。 この調査は、VLAのランドスケープを明確かつ構造化したガイドを提供する。 私たちは、VLAモデルの基本的なモジュールから始めて、主要なマイルストーンを通して歴史をトレースし、最近の研究フロンティアを定義するコアチャレンジに深く掘り下げます。 主な貢献は,(1)表現,(2)実行,(3)一般化,(4)安全性,(5)データセットと評価の5つの大きな課題の詳細な概要である。 この構造は、基本的な知覚-行動ループを確立すること、多様な実施形態と環境をまたいだスケーリング能力を確立すること、そして最終的には、不可欠なデータインフラストラクチャによってサポートされた信頼性の高いデプロイメントを確実にすること、という、ジェネラリストエージェントの開発ロードマップを反映します。 それぞれについて、既存のアプローチをレビューし、今後の機会を強調します。 我々は,本論文を,新参者のための基礎的ガイドと経験者研究者のための戦略的ロードマップの両方として位置づけ,学習の促進と,具体的インテリジェンスにおける新たなアイデアの創出を両立させることを目的としている。 このサーベイのライブバージョンは、継続的に更新され、我々の \href{https://suyuz1.github.io/VLA-Survey-Anatomy/}{project page} で維持されます。

関連論文リスト

• Survey of Vision-Language-Action Models for Embodied Manipulation [12.586030711502858]
  エンボディード・インテリジェンス・システムは、継続的な環境相互作用を通じてエージェント能力を増強する。 ビジョン・ランゲージ・アクションモデル(Vision-Language-Action model)は、大きな基礎モデルの進歩に触発された、普遍的なロボット制御フレームワークとして機能する。 本調査では,VLAモデルを包括的に検討した。
  論文  参考訳（メタデータ） (2025-08-21T03:30:04Z)
• Aligning Cyber Space with Physical World: A Comprehensive Survey on Embodied AI [116.8199519880327]
  人工知能(Embodied AI)は、人工知能(AGI)の実現に不可欠である 本調査では,Embodied AIの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-07-09T14:14:47Z)
• A Survey on Vision-Language-Action Models for Embodied AI [90.99896086619854]
  エンボディードAIは、人工知能の重要な要素として広く認識されている。 組込みAIにおける言語条件ロボットタスクに対処するために、マルチモーダルモデルの新たなカテゴリが登場した。 具体的AIのための視覚-言語-アクションモデルに関する第1回調査を示す。
  論文  参考訳（メタデータ） (2024-05-23T01:43:54Z)
• A Survey on Deep Active Learning: Recent Advances and New Frontiers [27.07154361976248]
  この研究は、ディープラーニングに基づくアクティブラーニング(DAL)の難しさを克服する上で、研究者にとって有用かつ迅速なガイドとなることを目的としている。 この手法は適用可能性の広さから人気が高まりつつあるが、特にディープラーニングに基づくアクティブラーニング(DAL)に関する調査論文は乏しいままである。
  論文  参考訳（メタデータ） (2024-05-01T05:54:33Z)

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。