論文の概要: EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2606.19784v1
• Date: Thu, 18 Jun 2026 04:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.648843
• Title: EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models
• Title（参考訳）: EquiVLA: 回転同値な視覚・言語・アクションモデルのための汎用フレームワーク
• Authors: Thien-Loc Ha, Quang-Tan Nguyen, Trong-Bao Ho, Long Dinh, Minh Duc Nguyen, Gia-Binh Nguyen, Pham Tri Quang, Minh N. Vu, Duy M. H. Nguyen, An Thai Le, Ngo Anh Vien,
• Abstract要約: エンド・ツー・エンドの$mathrmSO(2)$-equivariant VLAモデルのための最初の汎用フレームワークである textscEquiVLA を提示する。 textscEquiVLAは、フローマッチングディフュージョントランスフォーマーアクションヘッドと凍結された視覚言語バックボーンを結合する任意のアーキテクチャに適用できる。
• 参考スコア（独自算出の注目度）: 7.807191061951358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have emerged as a powerful paradigm for generalist robot manipulation, yet they lack geometric inductive biases: policies trained at specific orientations require substantially more data to generalize across rotational configurations. We present \textsc{EquiVLA}, the first general framework for end-to-end $\mathrm{SO}(2)$-equivariant VLA models, applicable to any architecture coupling a frozen vision-language backbone with a flow-matching Diffusion Transformer action head. \textsc{EquiVLA} introduces \textsc{EquiPerceptor}, which produces approximately $\mathrm{SO}(2)$-equivariant visual representations from frozen ViT features; and \textsc{EquiActor}, an exactly $\mathrm{SO}(2)$-equivariant flow-matching Diffusion Transformer action head. Together, they establish an approximate $\mathrm{SO}(2)$ equivariance chain from camera observations to predicted action sequences. Instantiated on GR00T~N1.5 and evaluated across four LIBERO suites, CALVIN ABCD$\to$D, and five real-robot tasks on Mobile ALOHA, \textsc{EquiVLA} achieves $92.6\%$ average success on LIBERO (vs. $78.1\%$ baseline), an average sequence length of $4.03$ on CALVIN (vs. $3.45$), and improves real-robot success from $54\%$ to $72\%$.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、汎用ロボット操作の強力なパラダイムとして登場したが、幾何学的帰納的バイアスが欠如している。 本稿では,フローマッチングDiffusion Transformer アクションヘッドと凍結視覚言語バックボーンを結合した任意のアーキテクチャに適用可能な,エンドツーエンドの $\mathrm{SO}(2)$-equivariant VLA モデルのための最初の汎用フレームワークである \textsc{EquiVLA} を提案する。 約$\mathrm{SO}(2)$-equivariant visual representations from frozen ViT features; and \textsc{EquiActor}, a exactly $\mathrm{SO}(2)$-equivariant flow-matching Diffusion Transformer action head。 彼らは共に、カメラ観測から予測されたアクションシーケンスまでの近似$\mathrm{SO}(2)$$等分散鎖を確立する。 CALVIN ABCD$\to$Dの4つのLIBEROスイート、Mobile ALOHAの5つの実ロボットタスク、 \textsc{EquiVLA} をGR00T~N1.5で検証し、LIBEROの平均成功率は92.6\%である(vs)。 7.8.1\%$ベースライン、平均シークエンスの長さはCALVINで4.03ドル(vs.$3.45$)で、実際のロボットの成功は54.%$から72.%$に改善される。

関連論文リスト

• The Lie We Tell: Correcting the Euclidean Fallacy in Vision Language Action Policies via Score Matching on Tangent Space [19.950575615573978]
  本報告では,SE(3)を内在的に運用する拡散フレームワークを提案する。 本手法は,左不変SDEを用いてノイズを注入し,空間接点のスコアを予測し,指数写像を用いてサンプルを抽出する。 CALVIN ABC$rightarrow$Dでは、平均タスク長が$3.27$から$3.51$+7.3%$に改善されている。
  論文  参考訳（メタデータ） (2026-06-01T07:59:29Z)
• Projection-Free Transformers via Gaussian Kernel Attention [0.4899818550820574]
  変換器における自己注意は、通常$mathrmsoftmax(QKtop/sqrtd)V$として実装され、$Q=XW_Q$, $K=XW_K$, $V=XW_V$は入力された$X$の線形射影を学習する。 ドット積注意のドロップイン置換である textbfGaussian Kernel Attention (GKA) を導入する。
  論文  参考訳（メタデータ） (2026-05-04T01:57:59Z)
• EquiformerV3: Scaling Efficient, Expressive, and General SE(3)-Equivariant Graph Attention Transformers [70.68282700439444]
  本稿では,$SE(3)$-equivariant graph attention Transformerの第3世代であるEquiformerV3を紹介する。 ソフトウェア実装を最適化し、$1.75タイムでスピードアップします。 SwiGLU-$S2$アクティベーションを提案する。
  論文  参考訳（メタデータ） (2026-04-10T09:12:16Z)
• Self-Improving World Modelling with Latent Actions [53.93276450137471]
  世界の内部モデリングは推論と計画に不可欠である。 状態のみのシーケンスから学習する自己改善フレームワークSWIRLを提案する。
  論文  参考訳（メタデータ） (2026-02-05T19:04:41Z)
• FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
  $textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。 この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
  論文  参考訳（メタデータ） (2025-05-21T15:33:27Z)
• H$^3$DP: Triply-Hierarchical Diffusion Policy for Visuomotor Learning [25.65324419553667]
  我々は,視覚的特徴と行動生成の統合を強化するために,階層構造を明示的に組み込んだ新しいビジュモータ学習フレームワークである$textbfTriply-Hierarchical Diffusion Policy(textbfH$mathbf3$DP)を紹介した。 大規模な実験では、H$3$DPは$mathbf+27.5%の平均相対的な改善を$mathbf44$のシミュレーションタスクで達成し、$mathbf4$の挑戦的な実世界の操作タスクで優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-12T17:59:43Z)
• Learning Orthogonal Multi-Index Models: A Fine-Grained Information Exponent Analysis [54.57279006229212]
  情報指数は、オンライン勾配降下のサンプルの複雑さを予測する上で重要な役割を担っている。 本研究では,2次項と高次項の両方を考慮することで,まず2次項を用いて関連する空間を学習できることを示す。 オンラインSGDの全体サンプルと複雑さは$tildeO(d PL-1 )$である。
  論文  参考訳（メタデータ） (2024-10-13T00:14:08Z)
• On Understanding Attention-Based In-Context Learning for Categorical Data [49.40350941996942]
  我々は,アテンションブロックで構成されるネットワークを開発し,各ブロックに自己注意層を付加し,その後にクロスアテンション層と関連するスキップ接続を付加する。 このモデルは、カテゴリー的観察を伴う文脈内推論のための多段階機能的GD推論を正確に行うことができる。
  論文  参考訳（メタデータ） (2024-05-27T15:03:21Z)
• Improving Robustness and Generality of NLP Models Using Disentangled Representations [62.08794500431367]
  スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。 本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。 提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
  論文  参考訳（メタデータ） (2020-09-21T02:48:46Z)

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。