論文の概要: What Matters in Orchestrating Robot Policies: A Systematic Study of Hierarchical VLA Agents

• arxiv url: http://arxiv.org/abs/2606.10267v1
• Date: Tue, 09 Jun 2026 00:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.233146
• Title: What Matters in Orchestrating Robot Policies: A Systematic Study of Hierarchical VLA Agents
• Title（参考訳）: ロボット政策のオーケストレーションにおける課題:階層型VLAエージェントの体系的研究
• Authors: Jiaheng Hu, Mohit Shridhar, Caden Lu, Dhruv Shah, Hao-Tien Lewis Chiang, Jie Tan, Annie Xie,
• Abstract要約: 本稿では,ロボット操作のためのHi-VLA設計の体系的研究を行う。 モデル選択とインタフェース機構が協調して性能を形作る方法を示す。 これらの原則を適用することで、フラットなVLA制御やナイーティブな設計階層よりも、はるかに強力なシステムが得られる。
• 参考スコア（独自算出の注目度）: 13.046267595608583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical vision-language-action (Hi-VLA) systems have emerged as a promising paradigm for complex robot manipulation, by using high-level VLM planners to decompose tasks into language subgoals executed by low-level VLA controllers. Despite recent empirical progress, there is a lack of unified design principles for these systems: existing Hi-VLA systems differ in how they choose and connect planners, controllers, mechanisms to switch between the two, and how observations and memory are represented in the planner. In this paper, we present a systematic study of Hi-VLA design for robot manipulation. We unify representative Hi-VLA agents under an options-style control framework and benchmark core design choices across short-horizon, long-horizon, and reasoning-intensive tasks. Our analysis distills practical principles for building Hi-VLA systems, showing how model choices and interface mechanisms jointly shape performance. Applying these principles yields a substantially stronger system than either flat VLA control or a naively designed hierarchy, across experiments both in simulation and on a real ALOHA robot. Overall, our results provide a foundation for building more capable, robust, and principled hierarchical VLA agents. More information and video at jiahenghu.github.io/hi-vla.
• Abstract（参考訳）: 階層型視覚言語アクション(Hi-VLA)システムは、高レベルなVLMプランナーを用いて、低レベルなVLAコントローラによって実行される言語サブゴールにタスクを分解することで、複雑な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。 既存のHi-VLAシステムは、プランナー、コントローラ、この2つを切り替えるためのメカニズム、そして、観測と記憶がプランナー内でどのように表現されるかによって異なる。 本稿では,ロボット操作のためのHi-VLA設計の体系的研究を行う。 我々は、選択肢スタイルの制御フレームワークの下で代表的Hi-VLAエージェントを統一し、短期的、長期的、推論集約的なタスクにまたがるコア設計選択をベンチマークする。 本分析では,Hi-VLAシステム構築の実践原理を抽出し,モデル選択とインターフェース機構が協調して性能を形作る方法を示す。 これらの原則を適用すれば、シミュレーションと実際のALOHAロボットの両方で、フラットなVLA制御やナイーティブな設計の階層よりも、はるかに強力なシステムが得られる。 全体として、我々の結果はより有能で堅牢で原則化された階層型VLAエージェントを構築するための基盤を提供する。 詳細はjiahenghu.github.io/hi-vla.com。

関連論文リスト

• StarVLA-$α$: Reducing Complexity in Vision-Language-Action Systems [89.12403322299963]
  StarVLA-$は、制御条件下でのVLA設計選択を研究するための単純だが強力なベースラインである。 我々は,アクションモデリング戦略,ロボット固有の事前訓練,インターフェースエンジニアリングなど,いくつかの重要な設計軸を再評価する。 我々の1つのジェネラリストモデルは、公開現実のRoboChallengeベンチマークで$_0.5$を20%上回ります。
  論文  参考訳（メタデータ） (2026-04-13T17:30:01Z)
• 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)
• Large VLM-based Vision-Language-Action Models for Robotic Manipulation: A Survey [45.10095869091538]
  膨大な画像テキストデータセットに基づいて事前訓練されたLarge Vision-Language Models (VLM) 上に構築されたVLAモデルが、トランスフォーメーションパラダイムとして登場した。 この調査は、ロボット操作のための大規模なVLMベースのVLAモデルの、最初の体系的で分類指向のレビューを提供する。
  論文  参考訳（メタデータ） (2025-08-18T16:45:48Z)
• RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [59.9896841079005]
  長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。 データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。 以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
  論文  参考訳（メタデータ） (2025-06-07T06:15:49Z)
• LoHoVLA: A Unified Vision-Language-Action Model for Long-Horizon Embodied Tasks [31.3295171851909]
  実世界のエンボディエージェントは、マルチステップソリューションを必要とするハイレベルな目標に直面します。 ロングホライゾンタスクは、ハイレベルなタスクプランニングと低レベルなモーションコントロールを必要とする。 我々は,LoHoVLAと呼ばれる長期タスクのための統合視覚言語フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-31T06:01:03Z)
• A Survey on Vision-Language-Action Models for Embodied AI [90.99896086619854]
  エンボディードAIは、人工知能の重要な要素として広く認識されている。 組込みAIにおける言語条件ロボットタスクに対処するために、マルチモーダルモデルの新たなカテゴリが登場した。 具体的AIのための視覚-言語-アクションモデルに関する第1回調査を示す。
  論文  参考訳（メタデータ） (2024-05-23T01:43:54Z)

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。