論文の概要: X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2605.25044v1
• Date: Sun, 24 May 2026 12:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.670996
• Title: X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models
• Title（参考訳）: X-DiffVLA:ビジョン・ランゲージ・アクションモデルのためのX-Embodied Diffusion Action Heads
• Authors: Boyu Li, Chaoyi Xu, Haoqi Yuan, Xinrun Xu, Börje F. Karlsson, Dongbin Zhao, Haoran Li, Zongqing Lu,
• Abstract要約: 本稿では,X-DiffVLA(拡散型VLAモデル)を提案する。 X-DiffVLAは拡散モデルの生成的強度を利用して、クロスボディーデータセットの多様性と潜時相関をキャプチャすることができる。 X-DiffVLAは,それぞれ15.3%,12.5%の改善が得られた。
• 参考スコア（独自算出の注目度）: 39.033717938466246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning universal policies from cross-embodied data remains a fundamental challenge in robotics. Although Vision-Language-Action (VLA) models are pre-trained on large and diverse datasets, they typically rely on embodiment-specific fine-tuning to achieve strong performance in downstream tasks. This requirement severely limits their generalization capability and restricts knowledge transfer across embodiments performing similar tasks. To overcome these limitations, we focus on cross-embodied settings with shared robotic bases and heterogeneous end-effectors, and propose X-DiffVLA, a diffusion-based VLA model featuring a unified cross-embodied action head. X-DiffVLA can leverage the generative strengths of diffusion models to capture both the diversity and latent correlations in cross-embodied datasets. Specifically, we introduce Embodiment Forcing, a classifier-free guidance technique to implicitly steer action generation toward embodiment-specific functional components, capturing fine-grained structural nuances without explicit supervision. In addition, a Morphological Tree Diffusion approach is designed to strengthen behavioral correlations across diverse end-effectors, maximizing the transferability of heterogeneous demonstrations. Experimental results across RoboCasa and Isaac Gym, covering different embodiments from grippers to dexterous hands, show that X-DiffVLA achieves state-of-the-art performance, with improvements of 15.3% and 12.5%, respectively. Real-world evaluations further validate the robustness of the proposed framework and its effectiveness in scalable cross-embodied policy learning.
• Abstract（参考訳）: クロスエンボディードデータから普遍的なポリシーを学ぶことは、ロボティクスにおける根本的な課題である。 VLA(Vision-Language-Action)モデルは、大規模で多様なデータセットで事前トレーニングされているが、一般的には、下流タスクで強力なパフォーマンスを達成するために、エンボディメント固有の微調整に依存している。 この要件は、それらの一般化能力を厳しく制限し、類似のタスクを実行する実施形態間での知識伝達を制限する。 これらの制約を克服するために,共用ロボットベースと異種エンドエフェクターを用いたクロス・エボディード・セッティングに着目し,クロス・エボディード・アクションヘッドを備えた拡散型VLAモデルであるX-DiffVLAを提案する。 X-DiffVLAは拡散モデルの生成的強度を利用して、クロスボディーデータセットの多様性と潜時相関をキャプチャすることができる。 具体的には、エンボディメント固有の機能コンポーネントに対して暗黙的にアクション生成を制御し、明示的な監督なしにきめ細かな構造的ニュアンスをキャプチャする、分類子フリーガイダンス技術であるEmbodiment Forcingを紹介する。 さらに、形態木拡散法は、多様なエンドエフェクター間の挙動相関を強化し、不均一な実演の伝達性を最大化するように設計されている。 RoboCasaとIsaac Gymによる実験結果では、グリッパーから器用な手までの様々な実施形態をカバーしており、X-DiffVLAは、それぞれ15.3%と12.5%の改善を達成している。 実世界の評価は、提案フレームワークの堅牢性と、スケーラブルな相互実施型政策学習におけるその有効性をさらに検証する。

関連論文リスト

• SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
  視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。 事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。 Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
  論文  参考訳（メタデータ） (2026-05-13T16:23:11Z)
• Adaptor: Advancing Assistive Teleoperation with Few-Shot Learning and Cross-Operator Generalization [26.90003783245582]
  Adaptorは、堅牢なクロスオペレーターインテント認識のためのフレームワークである。 ドメインギャップを、前処理とポリシー学習という2つの段階にブリッジする。 最先端のパフォーマンスを実現し、成功率とベースラインよりも効率を向上します。
  論文  参考訳（メタデータ） (2026-04-10T16:19:43Z)
• Cross-Hand Latent Representation for Vision-Language-Action Models [49.32460749933983]
  器用な操作のための信頼性の高い視覚言語アクションモデルを訓練するには、多くのロボットハンドにわたる大規模な実演が必要である。 XL-VLAは視覚・言語・アクション・フレームワークであり,多種多様な手間で共有される潜在行動空間と統合される。
  論文  参考訳（メタデータ） (2026-03-10T18:50:57Z)
• MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer [55.982504915794514]
  クロス・エボディメント・ポリシーは一般的に共有プライベート・アーキテクチャに依存している。 本報告では,MOTIFを効率よく数発のクロスボディーメントトランスファーに適用する。 我々はMOTIFが数発の転送シナリオにおいて強いベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-14T13:21:40Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)

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。