Fugu-MT 論文翻訳(概要): Test-Time Training for Visual Foresight Vision-Language-Action Models

論文の概要: Test-Time Training for Visual Foresight Vision-Language-Action Models

arxiv url: http://arxiv.org/abs/2605.08215v1
Date: Wed, 06 May 2026 11:21:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:49.468769
Title: Test-Time Training for Visual Foresight Vision-Language-Action Models
Title（参考訳）: 視力・言語・行動モデルのためのテストタイムトレーニング
Abstract要約: Test-Time Training Visual Foresight VLA(T3$VF)は、将来の予測画像とそのその後の観測が自然の監視ペアを形成するという観察に動機づけられたテストタイムトレーニングアプローチである。 T3$VFは、VF-VLAのOOD脆弱性を、アーキテクチャ修正や補助モジュールを必要とせずに、わずかに追加の推論コストで軽減する。
参考スコア（独自算出の注目度）: 17.487849057722418
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual Foresight VLA (VF-VLA) has become a prominent architectural choice in the recent VLA due to its impressive performance. Nevertheless, the inherent design of VF-VLA makes it particularly vulnerable to out-of-distribution (OOD) shifts. Because the quality of action directly depends on the accuracy of the predicted future visual information, OOD conditions affect both stages at once. To address this vulnerability, we propose Test-Time Training Visual Foresight VLA ($T^3$VF), a test-time training approach motivated by the observation that the predicted future image and its subsequent observation form a natural supervision pair. To further address the practical challenges that arise from indiscriminate test-time updates, we introduce an adaptive update filtering mechanism. Empirically, $T^3$VF mitigates the OOD vulnerability of VF-VLA at a modest additional inference cost, without requiring any architectural modification or auxiliary modules.
Abstract（参考訳）: Visual Foresight VLA(VF-VLA)は、最近のVLAにおいて、その印象的なパフォーマンスのために、顕著なアーキテクチャ選択となっている。しかしながら、VF-VLAの本質的な設計は、特にオフ・オブ・ディストリビューション(OOD)シフトに対して脆弱である。行動の質は、予測される将来の視覚情報の精度に直接依存するため、OOD条件は両方のステージに同時に影響を及ぼす。この脆弱性に対処するために、予測された将来の画像とそのその後の観察が自然な監視ペアを形成するという観察に動機づけられたテストタイムトレーニングアプローチであるテストタイムトレーニングビジュアルフォアサイトVLA(T^3$VF)を提案する。テスト時間更新の不特定から生じる現実的な課題にさらに対処するために,適応的な更新フィルタリング機構を導入する。経験的に、$T^3$VFは、アーキテクチャ修正や補助モジュールを必要とせずに、わずかに追加の推論コストでVF-VLAのOOD脆弱性を緩和する。

関連論文リスト

VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
論文参考訳（メタデータ） (2026-05-28T14:36:53Z)
QuoVLA: Quotient Space for Vision-Language-Action Models [51.02329790939691]
VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示を連続的な行動にマッピングすることで、トレーニング済みのVLM潜伏者をロボット制御に適応させることが一般的である。 VLA の textitQuotient Theory は、事前訓練された VLM 潜伏剤は、アクションに十分ではないがアクションに十分であることを示している。提案するQuoVLAは,事前学習されたVLMラテントを動作十分表現に圧縮する,VLAの商空間フレームワークである。
論文参考訳（メタデータ） (2026-05-24T06:28:53Z)
SpanVLA: Efficient Action Bridging and Learning from Negative-Recovery Samples for Vision-Language-Action Model [16.077387927185917]
VLA(Vision-Language-Action)モデルは、世界知識と推論能力を活用するための有望な自動運転パラダイムを提供する。既存のVLAモデルは、自動回帰生成フレームワークを使用してアクション生成の高レイテンシに悩まされることが多い。本稿では、自動回帰推論とフローマッチングアクションエキスパートを統合した、新しいエンドツーエンド自動運転フレームワークであるSpanVLAを提案する。
論文参考訳（メタデータ） (2026-04-21T17:34:19Z)
PromptCD: Test-Time Behavior Enhancement via Polarity-Prompt Contrastive Decoding [85.22047087898311]
本稿では,より広範な拡張設定へのコントラストデコーディングを一般化するテスト時動作制御手法であるPolarity-Prompt Contrastive Decoding(PromptCD)を紹介する。 PromptCDは、目標行動のためのペアの正と負の導出プロンプトを構築し、望ましい結果を強化するためにモデル応答を対比する。 3H"アライメントの目的に関する実験では、一貫性と実質的な改善が示されている。
論文参考訳（メタデータ） (2026-02-24T08:56:52Z)
JEPA-VLA: Video Predictive Embedding is Needed for VLA Models [45.11882724608595]
我々は、既存の視覚言語モデルに予測埋め込みを適応的に統合する、シンプルで効果的なアプローチであるJEPA-VLAを紹介する。実験の結果,JEPA-VLAは様々なベンチマークでかなりの性能向上を達成できた。
論文参考訳（メタデータ） (2026-02-12T11:20:43Z)
VISTA: Enhancing Visual Conditioning via Track-Following Preference Optimization in Vision-Language-Action Models [26.542479606920423]
VLA(Vision-Language-Action)モデルは、幅広いロボット操作タスクにおいて強力なパフォーマンスを示している。成功にもかかわらず、大きな事前訓練されたVLAモデルをアクション空間に拡張することで、視覚-アクションのミスアライメントを誘発することができる。 VLAモデルにおける視覚的条件付けを明確に強化するトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-04T20:59:29Z)
ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文参考訳（メタデータ） (2026-01-23T11:31:07Z)
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)
Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-10-03T06:27:33Z)
VL-GenRM: Enhancing Vision-Language Verification via Vision Experts and Iterative Training [23.391643634478587]
Vision-Language Reward Model (VL-RM) は、構造化されたフィードバックを提供することでVLモデルを整列させる鍵となる。高品質のトレーニングデータがすでに強力なVLモデルに依存しているため、ブートストラップジレンマが発生する。本稿では,視覚の専門家,思考の合理性,およびMarginベースのリジェクションサンプリングを活用した反復的トレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-16T18:10:51Z)
CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
論文参考訳（メタデータ） (2025-03-27T22:23:04Z)
PEVL: Position-enhanced Pre-training and Prompt Tuning for Vision-language Models [127.17675443137064]
PEVLを導入し、明示的なオブジェクト位置モデリングによる視覚言語モデルの事前学習と迅速なチューニングを促進する。 PEVLは、統一言語モデリングフレームワークにおいて、離散化されたオブジェクトの位置と言語を再構成する。 PEVLは,表現理解や句の接頭など,位置感性のあるタスクに対して,最先端のパフォーマンスを実現することができることを示す。
論文参考訳（メタデータ） (2022-05-23T10:17:53Z)

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。