論文の概要: DeMaVLA: A Vision-Language-Action Foundation Model for Generalizable Deformable Manipulation
- arxiv url: http://arxiv.org/abs/2605.31286v1
- Date: Fri, 29 May 2026 13:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.63082
- Title: DeMaVLA: A Vision-Language-Action Foundation Model for Generalizable Deformable Manipulation
- Title（参考訳）: DeMaVLA: 一般化可能な変形操作のためのビジョンランゲージ・アクション・ファンデーションモデル
- Abstract要約: 一般化可能なデフォルマブルマニピュレーションのためのVLA基礎モデルであるDeMaVLAを紹介する。
DeMaVLAはアクションエキスパートを備えたVLMバックボーンを採用し、フローマッチングを使用して連続的なアクション生成を定式化する。
実験により,DeMaVLAはRoboTwin上での競争性能と家庭用の折り畳みベンチマークにおける実世界の強みを実証した。
- 参考スコア（独自算出の注目度）: 12.935477248310674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world household robots require Vision-Language-Action (VLA) foundation models that can acquire reusable manipulation skills across diverse objects, task conditions, and household environments. Deformable-object folding is a representative challenge, requiring robots to handle clothing items from random initial states across varying categories, geometries, materials, and scenes. However, existing VLA systems commonly train separate policies for different object categories, while naively mixed multi-task training often suffers from task interference and degraded performance. To move beyond category-specific folding policies, we introduce DeMaVLA, a VLA foundation model for generalizable Deformable Manipulation. DeMaVLA adopts a VLM backbone with an action expert and formulates continuous action generation using flow matching. To improve efficiency, the action expert is constructed by pruning every other transformer layer while preserving layer-wise alignment with the VLM backbone, reducing training and inference cost. DeMaVLA is first pre-trained on approximately 5,000 hours of selected real-world dual-arm demonstrations to acquire general manipulation priors. It is then post-trained on mixed folding data that aggregates self-collected demonstrations and corrective trajectories from real-robot failures across multiple folding tasks through a human-in-the-loop Data Aggregation~(DAgger) pipeline. Experiments show that DeMaVLA achieves competitive performance on RoboTwin and strong real-world results on our household folding benchmark. These results highlight the value of scalable real-world data, efficient action generation, and corrective learning for general-purpose VLA policies in deformable-object manipulation.
- Abstract（参考訳）: 現実の家庭用ロボットにはビジョンランゲージ・アクション(VLA)ファンデーションモデルが必要で、様々な物体、タスク条件、家庭環境をまたいだ再利用可能な操作スキルを取得することができる。
変形可能なオブジェクトの折りたたみは代表的な課題であり、さまざまなカテゴリ、ジオメトリ、材料、シーンで、ランダムな初期状態から服のアイテムを扱う必要がある。
しかしながら、既存のVLAシステムは、通常、異なる対象カテゴリに対して個別のポリシーを訓練するが、複雑なマルチタスクトレーニングは、しばしばタスクの干渉や性能の低下に悩まされる。
カテゴリ固有の折り畳みポリシを超えて、一般化可能な変形操作のためのVLA基盤モデルであるDeMaVLAを導入する。
DeMaVLAはアクションエキスパートを備えたVLMバックボーンを採用し、フローマッチングを使用して連続的なアクション生成を定式化する。
効率を向上させるために、アクションエキスパートは、VLMバックボーンとのレイヤーワイドなアライメントを維持しつつ、他のトランス層全てをプルーニングし、トレーニングと推論コストを低減して構成される。
DeMaVLAは、選択された現実世界のデュアルアームのデモの約5000時間で事前訓練され、一般的な操作先を取得する。
次に、複数の折りたたみタスクにまたがる実際のロボット障害から、自己コンパイルされたデモと修正された軌道を集約する混合折りたたみデータに基づいて、Human-in-the-loop Data Aggregation~(DAgger)パイプラインを介して後からトレーニングされる。
実験により,DeMaVLAはRoboTwin上での競争性能と家庭用の折り畳みベンチマークにおける実世界の強みを実証した。
これらの結果は、変形可能なオブジェクト操作において、スケーラブルな実世界のデータの価値、効率的なアクション生成、汎用的なVLAポリシーの修正学習を強調している。
関連論文リスト
- Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。
固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。
本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
論文 参考訳（メタデータ） (2026-08-27T17:59:40Z) - Unleashing More Actions via Action Compositional Training for VLA Models [23.837636418111035]
Vision-Language-Actionモデルは、デモデータのスケールと多様性によって駆動されるロボット操作において優れている。
オフラインデータ拡張フレームワークであるACT-VLA(Action Compositional Training for VLA Models)を提案する。
そこで本手法では,手作業によるデータ収集を不要にすることで,トレーニング分布を自動的に拡張し,過度な適合を緩和する。
論文 参考訳（メタデータ） (2026-07-01T02:48:17Z) - Decoupling the Declarative from the Procedural in Vision-Language-Action Models [65.22639791239932]
オブジェクト固有のデモから振る舞いをクローンするように訓練されたポリシーは、そのオブジェクトを超えて一般化されなければならない。
情報フローを再構成した新しいビジョン・ランゲージ・アクションモデルであるw$2$VLAを提案する。
最先端のVLAとは異なり、我々のモジュラーアプローチは知識表現の分離に成功している。
論文 参考訳（メタデータ） (2026-06-19T14:43:58Z) - Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。
このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。
本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
論文 参考訳（メタデータ） (2026-06-07T08:57:51Z) - PrimitiveVLA: Learning Reusable Motion Primitives for Efficient and Generalizable Robotic Manipulation [50.8450025321217]
Vision-Language-Action(VLA)モデルは、汎用的なロボットポリシーに有望なパラダイムを提供する。
これらのボトルネックは、一般的なダイレクトインストラクション・トゥ・コントロルマッピング(Direct Instruction-to-Control Mapping)に由来すると我々は主張する。
本稿では,このパラダイムをPrimitive-Centric Disassemble & AssembleパラダイムにシフトさせるフレームワークであるPrimitiveVLAを提案する。
論文 参考訳（メタデータ） (2026-05-27T15:41:18Z) - HiMoE-VLA: Hierarchical Mixture-of-Experts for Generalist Vision-Language-Action Policies [83.41714103649751]
具体的インテリジェンスモデルの開発は、高品質なロボットのデモデータへのアクセスに依存する。
異種多種多様なロボットデータを扱うための視覚言語アクションフレームワークであるHiMoE-VLAを提案する。
HiMoE-VLAは既存のVLAベースラインよりも一貫したパフォーマンス向上を示し、高い精度と堅牢な一般化を実現している。
論文 参考訳（メタデータ） (2025-12-05T13:21:05Z) - iFlyBot-VLA Technical Report [25.330744626382977]
iFlyBot-VLA(iFlyBot-VLA)は、新しいフレームワークでトレーニングされた大規模ビジョン・ランゲージ・アクション(VLA)モデルである。
主なコントリビューションは,(1)大規模人体とロボットの操作映像を徹底的に訓練した潜在行動モデル,(2)視覚言語モデル(VLM)と訓練中のアクションエキスパートを協調的に監督する2段階の行動表現フレームワーク,(3)ロボット軌道データと一般的なQAデータセットと空間QAデータセットを組み合わせた混合トレーニング戦略である。
論文 参考訳（メタデータ） (2025-11-01T06:24:56Z) - 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) - Object-Focus Actor for Data-efficient Robot Generalization Dexterous Manipulation [14.977743061489518]
我々は,汎用デキスタラス操作のための新しいデータ効率のアプローチであるObject-Focus Actor (OFA)を紹介する。
OFAは、厳密な操作タスクで観測される一貫した終端軌道を利用して、効率的なポリシートレーニングを可能にする。
OFAは10のデモで堅牢なパフォーマンスを実現し、そのデータ効率を強調している。
論文 参考訳（メタデータ） (2025-05-21T04:37:56Z) - UniVLA: Learning to Act Anywhere with Task-centric Latent Actions [34.42046035740954]
UniVLAは、クロス・エボディメント・ビジョン・ランゲージ・アクション(VLA)ポリシーを学ぶための新しいフレームワークである。
我々は、潜在アクションモデルを用いたビデオからタスク中心のアクション表現を導出する。
複数の操作やナビゲーションのベンチマーク、実際のロボットの配置など、最先端の結果が得られます。
論文 参考訳（メタデータ） (2025-05-09T15:11:13Z) - Vision Language Models are In-Context Value Learners [89.29486557646624]
本稿では、視覚言語モデル(VLM)に埋め込まれた世界的知識を活用してタスクの進捗を予測する普遍的価値関数推定器である生成価値学習(GVL)を提案する。
ロボットやタスク固有のトレーニングがなければ、GVLは300以上の異なる現実世界のタスクに対して、ゼロショットと数ショットの効果的な値をインコンテキストで予測することができる。
論文 参考訳（メタデータ） (2024-11-07T09:17:50Z) - OpenVLA: An Open-Source Vision-Language-Action Model [131.74098076670103]
我々は、970kの現実世界のロボットデモの多様なコレクションに基づいて訓練されたオープンソースのVLAであるOpenVLAを紹介した。
OpenVLAは汎用的な操作の強力な結果を示し、RT-2-X (55B) のようなクローズドモデルよりも16.5%高い絶対的なタスク成功率を示した。
モデルチェックポイント、微調整ノートブック、そしてOpen X-Embodimentデータセット上で大規模にVLAをトレーニングするためのビルトインサポートを備えたPyTorchをリリースしています。
論文 参考訳（メタデータ） (2024-06-13T15:46:55Z)
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。