論文の概要: DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA

• arxiv url: http://arxiv.org/abs/2603.29844v1
• Date: Tue, 31 Mar 2026 15:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.73612
• Title: DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA
• Title（参考訳）: DIAL: エンド・ツー・エンドVLAの潜在世界モデリングによるインテントとアクションの分離
• Authors: Yi Chen, Yuying Ge, Hui Zhou, Mingyu Ding, Yixiao Ge, Xihui Liu,
• Abstract要約: DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。 軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
• 参考スコア（独自算出の注目度）: 72.9197085473598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of Vision-Language-Action (VLA) models has been significantly accelerated by pre-trained Vision-Language Models (VLMs). However, most existing end-to-end VLAs treat the VLM primarily as a multimodal encoder, directly mapping vision-language features to low-level actions. This paradigm underutilizes the VLM's potential in high-level decision making and introduces training instability, frequently degrading its rich semantic representations. To address these limitations, we introduce DIAL, a framework bridging high-level decision making and low-level motor execution through a differentiable latent intent bottleneck. Specifically, a VLM-based System-2 performs latent world modeling by synthesizing latent visual foresight within the VLM's native feature space; this foresight explicitly encodes intent and serves as the structural bottleneck. A lightweight System-1 policy then decodes this predicted intent together with the current observation into precise robot actions via latent inverse dynamics. To ensure optimization stability, we employ a two-stage training paradigm: a decoupled warmup phase where System-2 learns to predict latent futures while System-1 learns motor control under ground-truth future guidance within a unified feature space, followed by seamless end-to-end joint optimization. This enables action-aware gradients to refine the VLM backbone in a controlled manner, preserving pre-trained knowledge. Extensive experiments on the RoboCasa GR1 Tabletop benchmark show that DIAL establishes a new state-of-the-art, achieving superior performance with 10x fewer demonstrations than prior methods. Furthermore, by leveraging heterogeneous human demonstrations, DIAL learns physically grounded manipulation priors and exhibits robust zero-shot generalization to unseen objects and novel configurations during real-world deployment on a humanoid robot.
• Abstract（参考訳）: Vision-Language-Action(VLA)モデルの開発は、事前訓練されたVision-Language Models(VLM)によって大幅に加速された。 しかしながら、既存のほとんどのエンドツーエンドVLAはVLMを主にマルチモーダルエンコーダとして扱い、視覚言語の特徴を直接低レベルのアクションにマッピングする。 このパラダイムは、高レベルの意思決定におけるVLMのポテンシャルを弱め、トレーニングの不安定性を導入し、リッチなセマンティック表現をしばしば劣化させる。 これらの制約に対処するため、DIALは高レベルな意思決定と低レベルなモーター実行を差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 具体的には、VLMベースのSystem-2は、VLMのネイティブな特徴空間内で潜時視界を合成して潜時世界モデリングを行い、このフォレストは意図を明示的に符号化し、構造的ボトルネックとして機能する。 軽量なSystem-1ポリシーは、この予測意図を現在の観測とともに、潜伏した逆ダイナミクスを通じて正確なロボット動作にデコードする。 最適化安定性を確保するために、2段階のトレーニングパラダイムを用いる: System-2は潜伏未来を予測することを学習し、System-1は統合された特徴空間内で地中未来誘導の下でモーター制御を学習し、続いてシームレスなエンドツーエンドのジョイント最適化を行う。 これにより、アクション対応勾配がVLMのバックボーンを制御的に洗練し、事前訓練された知識を保存できる。 RoboCasa GR1 Tabletopベンチマークの大規模な実験は、DIALが新しい最先端技術を確立し、従来の方法よりも10倍少ないデモで優れたパフォーマンスを実現していることを示している。 さらに、異質な人間のデモンストレーションを活用することで、DIALは物理的に接地された操作の先行を学習し、ヒューマノイドロボットへの現実の展開中に、見えない物体や新しい構成に堅牢なゼロショットの一般化を示す。

関連論文リスト

• MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation [47.2088748094605]
  Vision-Language-Action(VLA)モデルは、視覚的な観察や自然言語の指示からロボットを操作することを目的としている。 MMaDA-VLAは,マルチモーダル理解と生成をひとつのフレームワークで統一する,完全ネイティブな大規模拡散VLAモデルである。
  論文  参考訳（メタデータ） (2026-03-26T12:55:51Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• ST4VLA: Spatially Guided Training for Vision-Language-Action Models [80.35847468618276]
  大規模視覚言語モデル(VLM)はマルチモーダル理解において優れるが、具体化されたタスクに拡張されると不足する。 本稿では,動作学習と空間的先行時間との整合性を実現するための2元系ビジョン・ランゲージ・アクション・フレームワークST4VLAを紹介する。 ST4VLAは、Google Robotでは66.1 -> 84.6、WidowX Robotでは54.7 -> 73.2、バニラVLAよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-02-10T18:59:17Z)
• 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)
• mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs [5.109732854501585]
  そこで我々は,事前学習したインターネットスケールのビデオモデルと,その潜在表現に条件付けされたフローマッチングに基づくアクションデコーダを組み合わせた,新しいビデオ・アクション・モデル(VAM)を提案する。 提案手法は,シミュレーションおよび実世界のロボット操作タスクにおける最先端性能を実現し,サンプル効率を10倍,収束速度を2倍向上させる。
  論文  参考訳（メタデータ） (2025-12-17T18:47:31Z)
• Bridge Thinking and Acting: Unleashing Physical Potential of VLM with Generalizable Action Expert [60.88976842557026]
  VLM(Vision-Language Models)は、優れた計画と推論能力を示している。 最近の二重系アプローチは「思考」と「行動」を分離しようとする 一般化可能なアクションエキスパートを中心としたフレームワークを紹介します。
  論文  参考訳（メタデータ） (2025-10-04T18:33:27Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)

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。