論文の概要: Can VLA Models Learn from Real-World Data Continually without Forgetting?

• arxiv url: http://arxiv.org/abs/2605.26820v1
• Date: Tue, 26 May 2026 10:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.884991
• Title: Can VLA Models Learn from Real-World Data Continually without Forgetting?
• Title（参考訳）: VLAモデルは実世界のデータから継続的に学習できるのか?
• Authors: Jiarun Zhu, Yijun Hong, Xiaoquan Sun, Zetian Xu, Mingqi Yuan, Zhiyong Wang, Wenjun Zeng, Jiayu Chen,
• Abstract要約: ビジョン言語アクション(VLA)モデルは、汎用ロボット工学の有望な基盤を提供する。 この研究は、実世界の連続的なVLA学習に関する最初の実証的研究を提供する。
• 参考スコア（独自算出の注目度）: 23.774949942627885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models provide a promising foundation for general-purpose robotics. However, their successful deployment in real-world scenarios requires the ability to continually acquire new skills while retaining previously learned behaviors. While pioneering research has studied the continual learning of VLA models in narrowly simulated environments, this challenge remains largely unexplored under realistic conditions. To address this limitation, we construct a real-world continual learning dataset comprising four sequential manipulation tasks, spanning rigid-object pick-and-place, contact-rich pressing, and deformable-object folding. Using this dataset, we conduct comprehensive experiments and find that VLA models suffer significant catastrophic forgetting when continually learning from heterogeneous real-world demonstrations. We then systematically evaluate experience replay and uncover key implementation factors that govern its success. In summary, this work provides the first empirical study of real-world continual VLA learning and offers practical guidance for deploying long-lived robot policies.
• Abstract（参考訳）: ビジョン言語アクション(VLA)モデルは、汎用ロボット工学の有望な基盤を提供する。 しかし、彼らの実世界のシナリオでのデプロイメントの成功には、学習済みの振る舞いを維持しながら、新たなスキルを継続的に獲得する能力が必要である。 先駆的な研究は、狭義のシミュレーション環境でのVLAモデルの継続的な学習について研究してきたが、この課題は現実的な条件下では未解明のままである。 この制限に対処するため、我々は4つの逐次操作タスクからなる実世界の連続学習データセットを構築し、剛体物体のピック・アンド・プレイス、接触リッチプレス、変形可能な物体の折り畳みを分散する。 このデータセットを用いて総合的な実験を行い、不均一な実世界のデモンストレーションから継続的に学習すると、VLAモデルは破滅的な忘れ事に悩まされることがわかった。 次に,経験の再現を体系的に評価し,その成功を左右する重要な実装要因を明らかにする。 要約すると、本研究は、実世界の連続的なVLA学習に関する最初の実証的研究を提供し、長寿命ロボットポリシーを展開するための実践的なガイダンスを提供する。

関連論文リスト

• Reinforcing VLAs in Task-Agnostic World Models [15.056103368344596]
  強化学習(RL)による後学習型ビジョン・ランゲージ・アクション(VLA)モデルは、コストのかかる実世界の相互作用を伴わずに新しいタスクに適応するための効果的な戦略として登場した。 我々は、世界と報酬モデルがゼロショット推論を可能にする転送可能な物理的事前をキャプチャすべきであると主張している。 我々は、下流のタスク依存から世界モデル学習を完全に切り離す新しいパラダイムであるRAW-Dreamを提案する。
  論文  参考訳（メタデータ） (2026-05-12T16:16:15Z)
• World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy [55.03832008486675]
  World-VLA-Loopは、世界モデルとVision-Language-Action (VLA) ポリシーの共同改良のためのクローズドループフレームワークである。 本研究では,将来観測と報奨信号の同時予測により,高忠実度インタラクティブシミュレータとして機能する状態認識型ビデオワールドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T08:57:55Z)
• 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)
• Continually Evolving Skill Knowledge in Vision Language Action Model [23.63528439700931]
  オープン環境における汎用ロボットインテリジェンスの開発には,継続的なスキル学習が必要である。 本稿では,タスク中心の知識空間をモデル化するT-Stellarと,階層的なタスクスキル構造を捉えるTS-Stellarという,知識駆動型連続学習フレームワークであるStellar VLAを提案する。 LIBEROベンチマークと実世界のタスクの実験は、ベースラインに対する最終成功率の平均50%以上の改善を示している。
  論文  参考訳（メタデータ） (2025-11-22T15:00:08Z)
• Learning Affordances at Inference-Time for Vision-Language-Action Models [50.93181349331096]
  ロボット工学において、VLA(Vision-Language-Action Model)は複雑な制御タスクを解くための有望な道を提供する。 本稿では,VLAの低レベルポリシーを過去の経験を条件とした高レベルVLMに接続するLITEN(Learning from Inference-Time Execution)を紹介する。 提案手法は,低レベルVLAの計画の生成と実行を行う推論フェーズと,その結果を反映した評価フェーズとを反復する。
  論文  参考訳（メタデータ） (2025-10-22T16:43:29Z)
• CTP: Towards Vision-Language Continual Pretraining via Compatible Momentum Contrast and Topology Preservation [128.00940554196976]
  Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。 VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。 独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
  論文  参考訳（メタデータ） (2023-08-14T13:53:18Z)
• Efficient Learning of High Level Plans from Play [57.29562823883257]
  本稿では,移動計画と深いRLを橋渡しするロボット学習のフレームワークであるELF-Pについて紹介する。 ELF-Pは、複数の現実的な操作タスクよりも、関連するベースラインよりもはるかに優れたサンプル効率を有することを示す。
  論文  参考訳（メタデータ） (2023-03-16T20:09:47Z)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)

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。