論文の概要: SurgVLA-Bench: Towards Evaluating Vision-Language-Action Models for Laparoscopic Surgical Robotics
- arxiv url: http://arxiv.org/abs/2606.29247v1
- Date: Sun, 28 Jun 2026 07:29:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.856657
- Title: SurgVLA-Bench: Towards Evaluating Vision-Language-Action Models for Laparoscopic Surgical Robotics
- Title（参考訳）: SurgVLA-Bench:腹腔鏡下手術ロボットの視覚・言語・行動モデル評価に向けて
- Abstract要約: VLA(Vision-Language-Action)モデルは、外科ロボティクスにおいて、インテリジェンスを具現化するための有望な方向を示す。
腹腔鏡下手術ロボットにおけるVLAモデル評価のための,初の総合的ベンチマークであるSurgVLA-Benchを紹介する。
- 参考スコア（独自算出の注目度）: 25.730012867840784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models represent a promising direction for embodied intelligence in surgical robotics. Despite the prevalence of VLA benchmarks for general robotics, standardized evaluation platforms specifically designed for surgical contexts remain absent. To address this limitation, we present SurgVLA-Bench, the first comprehensive benchmark for evaluating VLA models in laparoscopic surgical robotics. Leveraging the SurRoL simulation platform, we construct a hierarchical task taxonomy ranging from atomic actions to complete surgical procedures, complemented by a multi-dimensional evaluation framework assessing action accuracy and semantic consistency. We then systematically evaluate two representative paradigms, including autoregressive models such as OpenVLA, and flow matching models such as $π_{0}$, $π_{0.5}$, and SmolVLA. Our experiments show that autoregressive models tend to excel in semantic understanding, while flow matching models often achieve higher task precision but may face generalization trade-offs. However, even the best-performing models remain far from satisfactory, as the constrained endoscopic field of view, restricted viewing angles, and frequent occlusions persist as fundamental physical bottlenecks. The code and data are available at https://github.com/VCL-HNU/SurgVLA
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、外科ロボティクスにおいて、インテリジェンスを具現化するための有望な方向を示す。
一般的なロボティクスのVLAベンチマークが普及しているにもかかわらず、外科的コンテキストに特化して設計された標準化された評価プラットフォームはいまだに存在しない。
腹腔鏡下手術ロボットにおけるVLAモデル評価のための,初の総合的ベンチマークであるSurgVLA-Benchを提案する。
SurRoLシミュレーションプラットフォームを活用することで、原子的行動から完全な外科手術までの階層的なタスク分類を構築し、動作精度と意味的整合性を評価する多次元評価フレームワークで補完する。
次に、OpenVLAのような自己回帰モデルと、$π_{0}$、$π_{0.5}$、SmolVLAのようなフローマッチングモデルを含む2つの代表的なパラダイムを体系的に評価する。
実験の結果,自己回帰モデルでは意味理解が優れている傾向があり,フローマッチングモデルではタスクの精度が向上するが,一般化のトレードオフに直面することが示唆された。
しかしながら、最も優れたモデルでさえ、制約された内視鏡的視野、制限された視角、そして頻繁なオクルージョンが基本的な物理的ボトルネックとして持続するので、満足できないままである。
コードとデータはhttps://github.com/VCL-HNU/SurgVLAで公開されている。
関連論文リスト
- World Value Models for Robotic Manipulation [36.23924636021996]
汎用価値モデルは、大規模で混合品質のデータから学ぶロボットポリシーのスケーリングにおいて重要な役割を担っている。
既存のロボット価値モデルは、主に静的または時間的にスパースな視覚観察に基づいて事前訓練されたビジョン・ランゲージ・モデル(VLM)のバックボーン上に構築されている。
我々は、データ品質を評価するための正確なタスク進捗を提供する、新しいジェネラリストロボット価値モデル、World Value Model (WVM)を構築します。
論文 参考訳（メタデータ） (2026-06-23T16:07:48Z) - Scaling Video Pretraining for Surgical Foundation Models [51.92777479821822]
SurgRecは、スケーラブルで再現可能な、外科的ビデオ理解のための事前学習のレシピだ。
内視鏡,腹腔鏡,白内障,ロボット手術を対象とする10,535ビデオと214.5Mフレームの大規模なコーパスをキュレートした。
論文 参考訳（メタデータ） (2026-03-31T16:31:25Z) - SimVLA: A Simple VLA Baseline for Robotic Manipulation [46.38114519538192]
VLA(Vision-Language-Action)モデルは、汎用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。
我々は,VLA研究の透明な基準点を確立するために,SimVLAを紹介した。
論文 参考訳（メタデータ） (2026-02-20T14:04:27Z) - Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。
標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。
本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
論文 参考訳（メタデータ） (2026-02-10T12:25:43Z) - Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。
連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。
複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文 参考訳（メタデータ） (2026-02-04T05:37:09Z) - SurgXBench: Explainable Vision-Language Model Benchmark for Surgery [4.068223793121694]
VLM(Vision-Language Models)は、視覚とテキストのモダリティを横断する推論において、革新的な進歩をもたらした。
既存のモデルはパフォーマンスが限られており、その能力と限界を評価するためのベンチマーク研究の必要性を強調している。
ロボット支援型腹腔鏡による機器分類と動作分類のための2つのデータセットに対して,いくつかの先進VLMのゼロショット性能をベンチマークした。
論文 参考訳（メタデータ） (2025-05-16T00:42:18Z) - CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。
視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。
実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
論文 参考訳（メタデータ） (2025-03-27T22:23:04Z) - CogACT: A Foundational Vision-Language-Action Model for Synergizing Cognition and Action in Robotic Manipulation [100.25567121604382]
VLA(Vision-Language-Action)モデルは、言語誘導されたタスクの実行と、目に見えないシナリオへの一般化の観点から、ロボット操作を改善した。
VLM(Vision-Language-Models)に基づく新しい高度なVLAアーキテクチャを提案する。
我々のモデルはタスクパフォーマンスにおいて既存のVLAをはるかに上回るだけでなく、新しいロボットへの顕著な適応と、見えないオブジェクトや背景への一般化も示している。
論文 参考訳（メタデータ） (2024-11-29T12:06:03Z) - ReVLA: Reverting Visual Domain Limitation of Robotic Foundation Models [55.07988373824348]
既存の3つのロボット基礎モデルの視覚的一般化能力について検討する。
本研究は,既存のモデルがドメイン外シナリオに対する堅牢性を示していないことを示す。
モデルマージに基づく段階的なバックボーンリバーサルアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-23T17:47:59Z) - VLATest: Testing and Evaluating Vision-Language-Action Models for Robotic Manipulation [7.8735930411335895]
本稿では,VLAモデルをテストするロボット操作シーンを生成するファジィフレームワークであるVLATestを紹介する。
VLATestに基づいて,7つの代表的なVLAモデルの性能評価実験を行った。
論文 参考訳（メタデータ） (2024-09-19T16:33:00Z)
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。