論文の概要: Vision-Language-Action Model, Robustness, Multi-modal Learning, Robot Manipulation

• arxiv url: http://arxiv.org/abs/2604.10055v1
• Date: Sat, 11 Apr 2026 06:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.814916
• Title: Vision-Language-Action Model, Robustness, Multi-modal Learning, Robot Manipulation
• Title（参考訳）: 視覚言語行動モデル,ロバストネス,マルチモーダル学習,ロボット操作
• Authors: Yuhan Xie, Yuping Yan, Yunqi Zhao, Handing Wang, Yaochu Jin,
• Abstract要約: 本稿では、VLA(Vision-Language-Action)モデルのための切り離された微調整フレームワークSTRONG-VLAを提案する。 ステージIでは、モデルは困難が増す多モーダル摂動のカリキュラムに晒される。 ステージIIでは、モデルはクリーンなタスク分布と整合して、堅牢性を維持しながら実行の忠実さを回復します。 LIBEROベンチマークの実験では、STRONG-VLAは複数のVLAアーキテクチャにおけるタスク成功率を一貫して改善している。
• 参考スコア（独自算出の注目度）: 26.063335767640083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite their strong performance in embodied tasks, recent Vision-Language-Action (VLA) models remain highly fragile under multimodal perturbations, where visual corruption and linguistic noise jointly induce distribution shifts that degrade task-level execution. Existing robustness approaches typically rely on joint training with perturbed data, treating robustness as a static objective, which leads to conflicting optimization between robustness and task fidelity. In this work, we propose STRONG-VLA, a decoupled fine-tuning framework that explicitly separates robustness acquisition from task-aligned refinement. In Stage I, the model is exposed to a curriculum of multimodal perturbations with increasing difficulty, enabling progressive robustness learning under controlled distribution shifts. In Stage II, the model is re-aligned with clean task distributions to recover execution fidelity while preserving robustness. We further establish a comprehensive benchmark with 28 perturbation types spanning both textual and visual modalities, grounded in realistic sources of sensor noise, occlusion, and instruction corruption. Extensive experiments on the LIBERO benchmark show that STRONG-VLA consistently improves task success rates across multiple VLA architectures. On OpenVLA, our method achieves gains of up to 12.60% under seen perturbations and 7.77% under unseen perturbations. Notably, similar or larger improvements are observed on OpenVLA-OFT (+14.48% / +13.81%) and pi0 (+16.49% / +5.58%), demonstrating strong cross-architecture generalization. Real-world experiments on an AIRBOT robotic platform further validate its practical effectiveness. These results highlight the importance of decoupled optimization for multimodal robustness and establish STRONG-VLA as a simple yet principled framework for robust embodied control.
• Abstract（参考訳）: 近年のVision-Language-Action(VLA)モデルでは,視覚障害や言語ノイズが相まって分散シフトを誘発し,タスクレベルの実行を低下させるという多モーダル摂動下では脆弱な状態が保たれている。 既存のロバストネスアプローチは、典型的には摂動データとのジョイントトレーニングに依存し、ロバストネスを静的な目的として扱う。 本稿では,タスク整合性向上からロバスト性獲得を明確に分離する,切り離した微調整フレームワークSTRONG-VLAを提案する。 ステージIでは,多モーダル摂動のカリキュラムが複雑化し,制御された分布シフト下での進行的頑健性学習が可能となる。 ステージIIでは、モデルはクリーンなタスク分布と整合して、堅牢性を維持しながら実行の忠実さを回復します。 さらに,テキストと視覚の両モードにまたがる28種類の摂動型を総合的に評価する。 LIBEROベンチマークの大規模な実験により、STRONG-VLAは複数のVLAアーキテクチャにおけるタスク成功率を一貫して改善することが示された。 OpenVLAでは、目に見える摂動では最大12.60%、目に見えない摂動では7.77%の利得が得られる。 特に、OpenVLA-OFT (+14.48% / +13.81%) と pi0 (+16.49% / +5.58%) で同様のまたは大きな改善が見られ、強いクロスアーキテクチャの一般化が示されている。 AIRBOTロボットプラットフォームにおける実世界の実験は、その実用性をさらに検証する。 これらの結果は、マルチモーダルなロバスト性に対する分離最適化の重要性を強調し、ロバストなエンボディド制御のためのシンプルだが原則化されたフレームワークとしてSTRONG-VLAを確立した。

関連論文リスト

• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• RobustVLA: Robustness-Aware Reinforcement Post-Training for Vision-Language-Action Models [33.503927352666096]
  Vision-Language-Action (VLA)モデルは、配布外デプロイメントにおいて確実に一般化できない。 本稿では,VLAモデルのレジリエンスを明示的に向上するための軽量オンラインRLポストトレーニング手法であるRobustVLAを紹介する。 本研究は,VLAモデルの信頼性向上とロバスト性向上に向けた重要なステップとして,ロバストネスを意識したRLポストトレーニングの重要性を強調した。
  論文  参考訳（メタデータ） (2025-11-03T08:30:48Z)
• 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)
• On Robustness of Vision-Language-Action Model against Multi-Modal Perturbations [52.1029745126386]
  視覚-言語-アクション(VLA)モデルでは、現実世界の摂動に対する堅牢性は、デプロイに不可欠である。 本稿では,VLA入力と出力の摂動に対するロバストVLAを提案する。 LIBEROの実験では、ロバストVLAは、pi0バックボーンで12.6%、OpenVLAバックボーンで10.4%のベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2025-09-26T14:42:23Z)
• CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
  CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。 CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。 これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-24T17:30:27Z)

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。