論文の概要: ReCoVLA: VLM-Guided Reward Compilation for Failure Recovery in Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2606.09630v1
• Date: Mon, 08 Jun 2026 15:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.386603
• Title: ReCoVLA: VLM-Guided Reward Compilation for Failure Recovery in Vision-Language-Action Policies
• Title（参考訳）: ReCoVLA:ビジョンランゲージ・アクション・ポリシーの障害回復のためのVLM誘導リワードコンパイル
• Authors: Haodi Hu, Chung-Ta Huang, Jing Liu, Ye Wang, Kei Suzuki, Matthew Brand, Toshiaki Koike-Akino,
• Abstract要約: ヴィジュアル・ランゲージ・アクション(VLA)ポリシーは、言語条件の操作に強い先行性を提供するが、標的とするリカバリを必要とするオフ・ノミナル州では不安定なままである。 本稿では,既訓練のVLAポリシを凍結した状態に維持するリカバリフレームワークであるReCoVLAを提案する。
• 参考スコア（独自算出の注目度）: 16.305613129361593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies provide strong priors for language-conditioned manipulation, but remain brittle in off-nominal states requiring targeted recovery. We propose ReCoVLA -- a failure-conditioned residual recovery framework that keeps a pretrained VLA policy frozen, uses an external vision-language model (VLM) to infer the failure mode and recovery stage, and compiles a structured reward from task-relevant components. Rather than using the VLM to generate actions or rewards directly, ReCoVLA uses it as a semantic reward selector: it predicts a recovery descriptor and reward mask for in-simulation residual-policy training, followed by zero-shot sim-to-real deployment of the trained recovery policies. This decouples high-level failure understanding from low-level corrective control to support different VLAs. Experiments across short-horizon, long-horizon, and contact-rich manipulation tasks show that ReCoVLA outperforms the tested baselines on average. In simulation, our reward compiler improves average success from 36.7% for the fine-tuned $π_{0.5}$ baseline to 66.7%. In physical zero-shot sim-to-real experiments, ReCoVLA achieves the best average performance, with 61.7% success.
• Abstract（参考訳）: ヴィジュアル・ランゲージ・アクション(VLA)ポリシーは、言語条件の操作に強い先行性を提供するが、標的とするリカバリを必要とするオフ・ノミナル州では不安定なままである。 本稿では、事前訓練されたVLAポリシーを凍結した状態に維持する障害条件付き残留回復フレームワークであるReCoVLAを提案し、外部視覚言語モデル(VLM)を用いて障害モードと回復段階を推定し、タスク関連コンポーネントから構造化された報酬をコンパイルする。 ReCoVLAは、VLMを使用してアクションや報酬を直接生成するのではなく、セマンティック報酬セレクタとして、リカバリ記述とリカバリマスクを予測し、その後、トレーニングされたリカバリポリシのゼロショットsim-to-realデプロイを行う。 これにより、異なるVLAをサポートするために、低レベルの修正制御から高レベルの障害理解を分離する。 短期ホライゾン、長期ホライゾン、コンタクトリッチな操作タスクによる実験は、ReCoVLAがテストされたベースラインを平均的に上回っていることを示している。 シミュレーションでは,細調整した$π_{0.5}$ベースラインの平均成功率は36.7%から66.7%に向上した。 物理ゼロショットのsim-to-real実験では、ReCoVLAは61.7%の成功で最高の平均性能を達成した。

関連論文リスト

• LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models [13.30873593845724]
  LoopVLAは、表現の洗練、アクション予測、十分性推定を学習する、リカレントなVision-Language-Actionアーキテクチャである。 この結果から,LoopVLAはVLAポリシーの効率性向上のフロンティアを推し進め,パラメータを45%削減し,推論スループットを最大1.7倍向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-11T03:51:22Z)
• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics [46.912038830356714]
  本稿では,ロボット作業の進捗を推定する時間的価値関数TOPRewardを紹介する。 130以上の異なる実世界のタスクに対するゼロショット評価では、TOPRewardはQwen3-VL上で0.947の平均値順序相関(VOC)を達成する。 我々は,TOPRewardがダウンストリームアプリケーションのための汎用ツールであることを示す。
  論文  参考訳（メタデータ） (2026-02-22T19:25:48Z)
• CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding [60.06899554269808]
  サイクロンVLA(CycleVLA)は、VLA(Vision-Language-Action Model)を積極的に自己補正するシステムである。 CycleVLAは、重要なサブタスク遷移ポイントにフラグを付けるプログレス対応のVLAを統合することで、これを実現する。 大規模な実験により、CycleVLAは、よく訓練されたVLAと訓練されていないVLAの両方のパフォーマンスを改善することが示された。
  論文  参考訳（メタデータ） (2026-01-05T17:31:01Z)
• Value Vision-Language-Action Planning & Search [1.631000263754549]
  VLA(Vision-Language-Action)モデルは、ロボット操作のための強力なジェネラリストポリシーとして登場した。 本稿では,モンテカルロ木探索を軽量で学習可能な値関数で拡張するフレームワークであるValue Vision-Language-Action Planning and Search(V-VLAPS)を紹介する。 LIBEROロボット操作スイート上でのV-VLAPSを評価し、価値誘導探索が成功率を5%以上向上することを示した。
  論文  参考訳（メタデータ） (2026-01-02T19:40:34Z)
• Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success [100.226572152954]
  視覚言語アクションモデル(VLA)のための最適化された微調整レシピを提案する。 われわれのレシピはOpenVLAの4つのタスクスイートの平均成功率を76.5%から97.1%に引き上げ、アクション生成のスループットを26$times$に向上させた。 実世界の評価において、我々の微調整のレシピにより、OpenVLAはバイマガルALOHAロボット上でデクスタラスで高周波な制御タスクをうまく実行することができる。
  論文  参考訳（メタデータ） (2025-02-27T00:30:29Z)
• Lean and Mean: Decoupled Value Policy Optimization with Global Value Guidance [52.65461207786633]
  政策に基づく人間からのフィードバックからの強化学習は、大きな言語モデルと人間の嗜好の整合に不可欠である。 俳優と批評家の合同トレーニングと、事前訓練された一定の報酬モデルによる指導が必要である。 従来の報酬モデリングを事前訓練されたEmphglobal Value Model(GVM)に置き換えるリーンフレームワークである textbfDecoupled Value Policy Optimization (DVPO) を提案する。
  論文  参考訳（メタデータ） (2025-02-24T08:11:33Z)

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。