論文の概要: PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space

• arxiv url: http://arxiv.org/abs/2606.17924v1
• Date: Tue, 16 Jun 2026 13:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.457497
• Title: PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space
• Title（参考訳）: パールVLA:潜航空間における進行的身体的アクション・プランのリファインメント
• Authors: Bochen Yang, Lianlei Shan,
• Abstract要約: 本稿では,視覚言語モデル(VLM)の潜在空間に議論を移すフレームワークであるPearlVLAを提案する。 future-guided RefineNetは、粗いセマンティックドラフトを細かな潜在アクションプランに段階的に洗練するために、定期的な更新を適用する。 PearlVLAは、既存のメソッド間で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.4519796338615225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current Vision-Language-Action (VLA) models face a trade-off between efficient action generation and explicit deliberation. Directly decoding actions from vision-language backbone representations enables low-latency control, whereas explicit reasoning through textual chains, pixel-level subgoals, or action search can improve planning but incurs substantial latency and computational cost. We propose PearlVLA, a VLA framework that moves deliberation into the latent space of a vision-language model (VLM). PearlVLA separates VLM meta-query representations into a fixed visual grounding branch and an iterative latent plan branch. At each refinement round, a plan-conditioned world query probes a lightweight frozen latent world model for an action-free future observation latent, which is fed back to guide plan refinement. A future-guided RefineNet then applies scheduled residual updates to progressively refine a coarse semantic draft into a fine-grained latent action plan. The refined plan after K rounds is then decoded in parallel into an action chunk for low-latency execution. We further introduce Causal Refinement-Grouped Process-Reward RL to optimize the latent refinement process with rewards from longer-horizon imagined futures induced by latent plan edits. Empirical evaluations on the LIBERO benchmark demonstrate that PearlVLA achieves state-of-the-art performance among existing methods.
• Abstract（参考訳）: 現在のVision-Language-Action(VLA)モデルは、効率的なアクション生成と明示的な熟考のトレードオフに直面している。 視覚言語によるバックボーン表現からのアクションの直接復号化は低レイテンシ制御を可能にするが、テキストチェーン、ピクセルレベルのサブゴール、アクションサーチによる明示的な推論は計画を改善するが、かなりのレイテンシと計算コストを発生させる。 本稿では,視覚言語モデル(VLM)の潜在空間に議論を移すVLAフレームワークであるPearlVLAを提案する。 PearlVLAはVLMメタクエリー表現を固定された視覚接地分岐と反復的な潜在計画分岐に分離する。 各リファインメントラウンドにおいて、計画条件付きワールドクエリーは、アクションフリーな将来の監視レイトのために軽量な凍結された潜在世界モデルを調べ、ガイドプランのリファインメントにフィードバックする。 将来誘導されたRefineNetは、定期的な更新を適用して、粗いセマンティックドラフトを細かな潜在アクションプランに段階的に洗練する。 Kラウンド後の洗練された計画は、低レイテンシ実行のためのアクションチャンクに並列にデコードされる。 さらに、潜時計画編集によって引き起こされる長期の想像的未来からの報酬により、潜時改善プロセスの最適化を行うために、因果リファインメントグループプロセス-リワードRLについても紹介する。 LIBEROベンチマークの実証的な評価は、PearlVLAが既存手法の最先端性能を実現していることを示している。

関連論文リスト

• Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
  効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。 本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:43:47Z)
• PAPO-VLA: Planning-Aware Policy Optimization for Vision-Language-Action Models [22.797350217163977]
  Vision-Language-Action(VLA)モデルは、言語誘導ロボットタスクにおいて有望な能力を示す。 VLAの信頼性を向上させるには、特に計画行動に注意が必要であると我々は主張する。 VLAモデル(PAPO-VLA)のためのプランニング・アウェア・ポリシー最適化を提案する。
  論文  参考訳（メタデータ） (2026-05-19T09:22:49Z)
• 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)
• Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
  LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。 LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。 実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
  論文  参考訳（メタデータ） (2026-04-23T17:59:04Z)
• World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems [32.4918638412746]
  VLA(Vision-Language-Action)モデルは、知覚と言語を作用させるエンボディエージェントを構築するための有望なパラダイムとして登場した。 本稿では,VLAシステムにおける暗黙的な計画を可能にする統合フレームワークであるWorld-Value-Action(WAV)モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-16T07:46:05Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• SPIRAL: A Closed-Loop Framework for Self-Improving Action World Models via Reflective Planning Agents [135.00390535239129]
  本稿では,自己改善型計画および反復的行動世界モデリングフレームワークであるSPIRALを紹介する。 SPIRALはActWMをクローズドループシンク-アクト-リフレクションプロセスとして定式化し、そこで生成は明示的な計画とフィードバックの下で段階的に進行する。 複数のTI2Vバックボーンに対する実験は、ActWM-Benchとメインストリームのビデオ生成ベンチマークで一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-03-09T14:00:36Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)

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。