Fugu-MT 論文翻訳(概要): AffordVLA: Injecting Affordance Representations into Vision-Language-Action Models via Implicit Feature Alignment

論文の概要: AffordVLA: Injecting Affordance Representations into Vision-Language-Action Models via Implicit Feature Alignment

arxiv url: http://arxiv.org/abs/2605.17517v1
Date: Sun, 17 May 2026 16:02:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:48.124185
Title: AffordVLA: Injecting Affordance Representations into Vision-Language-Action Models via Implicit Feature Alignment
Title（参考訳）: AffordVLA:意図しない特徴アライメントによる視覚・言語・行動モデルへのアクダクタンス表現の注入
Authors: Weijie Kong, Zhian Su, Wei Yu, Huixu Dong,
Abstract要約: AffordVLAは、操作中心のアベイランス知覚をVLA視覚表現に内部化する、アベイランス強化ビジョン・ランゲージ・アクション(VLA)フレームワークである。 AffordVLA は推論効率を保ちながら VLA の視覚表現を効果的に再現し,操作成功率とトレーニング効率を向上することを示した。
参考スコア（独自算出の注目度）: 8.122021272122668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in Vision-Language-Action (VLA) models have shown strong potential for general-purpose robotic manipulation. However, the visual representations of most VLA models are often dominated by global object appearance and struggle to focus on task-relevant functional interaction regions, which limits their robustness in unstructured environments. Existing affordance-based methods typically rely on explicit mask injection or external perception modules, requiring additional annotations while introducing cascading perception errors and inference overhead. To address these limitations, we propose AffordVLA, an affordance-enhanced VLA framework that internalizes manipulation-centric affordance perception into VLA visual representations through implicit representation alignment. Specifically, we construct a zero-shot affordance teacher to extract task-conditioned affordance visual representations from RGB observations and language instructions. AffordVLA aligns the intermediate visual representations of the VLA with the affordance visual representations extracted by the teacher, thereby implicitly injecting manipulation-centric affordance perception into VLA visual representations and improving action accuracy. Extensive simulation and real-world experiments demonstrate that AffordVLA and its affordance teacher achieve state-of-the-art performance and outperform strong baselines. Ablation analyses show that AffordVLA effectively reshapes VLA visual representations while preserving inference efficiency, leading to improved manipulation success rates and training efficiency.
Abstract（参考訳）: 近年のVision-Language-Action(VLA)モデルは汎用ロボット操作に強い可能性を示している。しかしながら、ほとんどのVLAモデルの視覚的表現は、大域的なオブジェクトの出現に支配され、非構造環境におけるその堅牢性を制限するタスク関連機能的相互作用領域に焦点を合わせるのに苦労する。既存の可視性に基づく手法は、通常、明示的なマスク注入や外部知覚モジュールに依存し、カスケードされた知覚エラーや推論オーバーヘッドを導入しながら追加のアノテーションを必要とする。これらの制約に対処するために、暗黙の表現アライメントを通じて操作中心のアベイランス知覚をVLA視覚表現に内部化するアベイランス強化VLAフレームワークであるAffordVLAを提案する。具体的には、RGB観測と言語指導からタスク条件付きアベイランス視覚表現を抽出するために、ゼロショットのアベイランス教師を構築した。 AffordVLAは、VLAの中間的な視覚表現と教師が抽出した可視表現とを一致させ、VLAの視覚表現に操作中心の可視知覚を暗黙的に注入し、行動精度を向上させる。大規模なシミュレーションと実世界の実験により、AffordVLAとその手頃な教師は最先端のパフォーマンスを達成し、強いベースラインを上回ります。アブレーション分析により、AffordVLAは推論効率を保ちながらVLAの視覚表現を効果的に再現し、操作成功率とトレーニング効率を改善した。

関連論文リスト

Predictive Regularization Against Visual Representation Degradation in Multimodal Large Language Models [84.94288033791346]
我々は,MLLMにおける視覚的表現の劣化という,広範にわたる課題を明らかにするために,詳細な診断分析を行う。我々は,この現象を,単一のテキスト生成目標によって引き起こされる視覚的犠牲とみなし,そのモデルが解答生成の最適化のためにその視覚的忠実度を損なう。本研究では,初期視覚特性を予測するために,劣化した中間特徴を強制的に予測し,MLLMの内部表現に固有の視覚特性を維持するための予測正則化を提案する。
論文参考訳（メタデータ） (2026-03-21T13:10:37Z)
Look Before Acting: Enhancing Vision Foundation Representations for Vision-Language-Action Models [66.96421290733126]
VLA(Vision-Language-Action)モデルは、ロボット操作のための有望なパラダイムとして登場した。我々はtextbfVision-Language Mixture-of-Transformers (VL-MoT) フレームワーク上に構築した textbfDeepVision-VLA を提案する。 DeepVision-VLAは、シミュレーションされたタスクと実世界のタスクで、それぞれ9.0%と7.5%の先行の最先端メソッドより優れている。
論文参考訳（メタデータ） (2026-03-16T17:59:54Z)
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)
Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision [79.06371915084833]
本稿では,VLUAS(Vision-Language Unified Autoregressive Supervision)パラダイムを活用するフレームワークであるYoutu-VLを紹介する。 Youtu-VLは視覚的詳細と言語的内容の両方に統一的な自己回帰的監督を適用している。我々は、このパラダイムを視覚中心のタスクに拡張し、標準のVLMがタスク固有の追加なしで視覚中心のタスクを実行できるようにした。
論文参考訳（メタデータ） (2026-01-27T17:01:16Z)
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)
Don't Blind Your VLA: Aligning Visual Representations for OOD Generalization [42.41263928527529]
VLA(Vision-Language-Action)モデルは、伝達可能な世界知識と視覚言語基盤を持つエージェントを支援できる。しかし、これらのVLMがアクションモダリティに適合している場合、元の視覚的表現や知識がどの程度保存されているかははっきりしない。本稿では,VLA微調整中の表現保持の系統的研究を行い,行動微調整が視覚的表現の劣化につながることを示す。
論文参考訳（メタデータ） (2025-10-29T15:20:10Z)
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)

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。