論文の概要: Steering Autoregressive Vision-Language-Action Policies via Action Token Intervention

• arxiv url: http://arxiv.org/abs/2606.15021v1
• Date: Fri, 12 Jun 2026 23:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.649218
• Title: Steering Autoregressive Vision-Language-Action Policies via Action Token Intervention
• Title（参考訳）: アクショントークン干渉による自己回帰的視力制御
• Authors: Jason Chan, Jonathan C. Kao,
• Abstract要約: Token Steering (TS) は、自動回帰視覚言語反応(VLA)モデルによって生成される軌道を動的に操る手法である。 TSはモデルのネイティブアクショントークン表現に低次元のユーザ入力を注入する。 TSは推論時に完全に動作するため、追加のトレーニングや微調整は不要である。
• 参考スコア（独自算出の注目度）: 4.130353156902536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Token Steering (TS), a method for dynamically steering trajectories generated by an autoregressive vision-language-action (VLA) model through direct intervention in the action-token space. TS injects low-dimensional user inputs into the model's native action-token representation, allowing users to influence trajectory generation without modifying the underlying vision-language model (VLM) architecture. Because TS operates entirely at inference time, it requires no additional training or finetuning. User inputs guide rather than override the pretrained policy, allowing users to influence robot actions while preserving the dexterity, smoothness, and task priors learned by the VLA. We evaluate TS on two household manipulation tasks -- drawer closing after object placement and state-aware object swapping -- and improve success rates from 10.0% to 72.5% and from 16.7% to 93.8%, respectively. By enabling lightweight, intuitive steering over robot foundation models, our interface has the potential to improve human-robot interaction in consumer environments and broaden accessibility for individuals with limited physical control. Project website: https://jasontchan.github.io/token-steering/ .
• Abstract（参考訳）: 本稿では,自己回帰的視覚言語行動(VLA)モデルによって生成される軌道を動的に操る手法であるToken Steering(TS)について述べる。 TSは、モデルのネイティブアクション・トケン表現に低次元のユーザ入力を注入し、基盤となる視覚言語モデル(VLM)アーキテクチャを変更することなく、ユーザが軌道生成に影響を与えることを可能にする。 TSは推論時に完全に動作するため、追加のトレーニングや微調整は不要である。 ユーザーは事前訓練されたポリシーをオーバーライドするのではなくガイドを入力し、VLAが学んだディクスタリティ、滑らかさ、タスクの優先順位を保ちながらロボットの動作に影響を与えることができる。 対象物配置後の引き手閉鎖と状態認識オブジェクトスワップの2つの操作タスクにおいてTSを評価し,成功率を10.0%から72.5%,成功率を16.7%から93.8%に改善した。 ロボットファンデーションモデルよりも軽量で直感的な操舵を可能にすることで、私たちのインターフェースは、消費者環境における人間とロボットの相互作用を改善し、物理的な制御に制限のある個人へのアクセシビリティを拡大する可能性がある。 プロジェクトWebサイト: https://jasontchan.github.io/token-steering/。

関連論文リスト

• 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)
• Wall-OSS-0.5 Technical Report [13.983843529533113]
  本稿では,アクションジェネレーションコンポーネントを付加した3B VLMバックボーン上に構築した,オープンソースの4B VLAであるWall-OSS-0.5を紹介する。 このモデルは20以上のエボディメントで事前訓練され、1エポックあたり100万以上のロボット軌道を処理する。 非自明なゼロショットのリアルタイムロボット動作を実現し、17タスクスイート上の高いタスク進捗において、ホールドアウトの変形可能な操作タスクを含むいくつかのタスクを完了させる。
  論文  参考訳（メタデータ） (2026-05-29T06:04:03Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• Latent Action Pretraining from Videos [156.88613023078778]
  一般行動モデル(LAPA)のための潜在行動事前訓練について紹介する。 LAPA(英: LAPA)は、VLA(Vision-Language-Action)モデルに接地型ロボットアクションラベルを含まない教師なしの訓練方法である。 本稿では,ロボットアクションラベルを持たないインターネット規模のビデオから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T16:28:09Z)
• Run-time Observation Interventions Make Vision-Language-Action Models More Visually Robust [9.647148940880381]
  視覚言語アクション(VLA)モデルは、大規模なインターネットデータとロボットのデモンストレーションに基づいて訓練され、汎用的なロボットポリシーとして機能する可能性がある。 本稿では,入力画像の領域を動的に識別するリアルタイム介入方式である bring Your Own VLA (BYOVLA) を紹介する。 我々は,BYOVLAが最先端のVLAモデルに対して,邪魔な対象や背景が存在する場合に,その名目上の性能をほぼ維持できることを示す。
  論文  参考訳（メタデータ） (2024-10-02T19:29:24Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)

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。