論文の概要: SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models' performance

• arxiv url: http://arxiv.org/abs/2606.30113v1
• Date: Mon, 29 Jun 2026 10:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.197248
• Title: SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models' performance
• Title（参考訳）: SA-VLA:Vision-Language-Action Modelの性能向上のためのステートアウェアトークン
• Abstract要約: 本稿では,動作復号をロボットの状態に設定した状態認識型アクショントークンであるSA-VLAを提案する。 12のRoboTwin操作タスクでは、SA-VLAは最強のトークン化剤ベースラインよりも平均成功率を0.29から0.56に改善する。
• 参考スコア（独自算出の注目度）: 12.586771228417112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discrete action tokenization provides a compact interface for autoregressive VLA policies, but accurately recovering continuous robot actions from discrete codes remains challenging. Existing tokenizers typically map each discrete code to a fixed continuous action prototype, ignoring the robot's current proprioceptive state. This limitation is particularly pronounced in manipulation, where the same action token may require different continuous controls under different joint configurations, object poses, and contact conditions. We therefore propose SA-VLA, a state-aware action tokenizer that conditions action decoding on robot state. We study two state-injection mechanisms for VQ-based action tokenization: cross-attention between state and action features, and a lightweight state adapter that predicts action-wise modulation factors for state-conditioned action modulation and reconstruction. The adapter formulation expands the effective support of a finite codebook by allowing each discrete token to represent a family of state-dependent continuous actions, while preserving the efficiency and compatibility of discrete action modeling. Integrated into an LLM-based VLA policy, SA-VLA supports both autoregressive and parallel action-token decoding with minimal changes to the model interface. On 12 RoboTwin manipulation tasks, SA-VLA improves the average success rate from 0.29 to 0.56 over the strongest tokenizer baseline. In zero-shot sim-to-real experiments on three real-world tasks, it further improves average success from 0.15 to 0.33 over the strongest tokenizer baseline. These results demonstrate that state-conditioned action decoding is a simple and effective mechanism for reducing the compression gap in discrete VLA policies.
• Abstract（参考訳）: 離散的なアクショントークン化は自己回帰的なVLAポリシーのためのコンパクトなインターフェースを提供するが、離散コードからの連続的なロボットアクションを正確に回復することは依然として困難である。 既存のトークンライザは通常、各離散コードを固定された連続的な動作プロトタイプにマッピングし、ロボットの現在の受容状態を無視します。 この制限は特に操作において顕著であり、同じアクショントークンは異なる関節構成、オブジェクトのポーズ、接触条件の下で異なる連続的な制御を必要とする可能性がある。 そこで本研究では,動作復号化をロボットの状態に設定した状態認識型アクショントークンであるSA-VLAを提案する。 本稿では,VQに基づくアクショントークン化のための2つの状態注入機構について検討する。 アダプタの定式化は、離散的なアクションモデリングの効率性と互換性を保ちながら、各離散トークンが状態依存の連続的なアクションの族を表現することを許し、有限のコードブックの有効サポートを拡張する。 LLMベースのVLAポリシに統合されたSA-VLAは、モデルインターフェースの変更を最小限にして、自動回帰と並列アクショントケンデコーディングの両方をサポートする。 12のRoboTwin操作タスクでは、SA-VLAは最強のトークン化剤ベースラインよりも平均成功率を0.29から0.56に改善する。 実世界の3つのタスクにおけるゼロショット・シム・トゥ・リアルな実験では、最強のトークン化剤ベースラインよりも平均的な成功率が0.15から0.33に向上する。 これらの結果から、状態条件付き動作復号法は離散VLAポリシーにおける圧縮ギャップを低減するための単純かつ効果的な機構であることが示された。

関連論文リスト

• Unified Condition-Action Modeling for Accurate One-Step Action Generation [24.554218523494498]
  UCA-Flowは、正確なワンステップアクション生成のための統一された条件-アクションモデリングフレームワークである。 本手法は,観測条件,時間経過条件,間隔条件,アクショントークンを単一シーケンスに統一し,統一条件-アクション変換器で処理する。
  論文  参考訳（メタデータ） (2026-08-17T06:14:16Z)
• S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation [34.73337776403718]
  VLA(Vision-Language-Action)モデルは、ロボット操作において強力な能力を示しているが、その性能は長距離作業では著しく低下している。 本稿では,SSGAA(State-Space Guided Adaptive Attention)機構を導入するフレームワークであるS$2$-VLAを提案する。 S$2$-VLAは、より大きな7Bスケールモデルより一貫して優れており、ロングホライゾンのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-26T09:13:16Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• 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)
• DFM-VLA: Iterative Action Refinement for Robot Manipulation via Discrete Flow Matching [20.252867273996085]
  本稿では,アクショントークンの反復精製のための離散フローマッチングVLAであるDFM-VLAを提案する。 DFM-VLAは、操作性能において、強い自己回帰、離散拡散、連続拡散ベースラインよりも一貫して優れる。
  論文  参考訳（メタデータ） (2026-03-27T11:38:43Z)
• 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)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
  VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。 AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。 ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-01-27T14:10:39Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• $\mathcal{E}_0$: Enhancing Generalization and Fine-Grained Control in VLA Models via Continuized Discrete Diffusion [65.77755100137728]
  本稿では、量子化されたアクショントークンを反復的にデノケーションするアクション生成を定式化する、連続的な離散拡散フレームワークであるE0を紹介する。 E0は14の多様な環境において最先端のパフォーマンスを達成し、平均して10.7%強のベースラインを達成している。
  論文  参考訳（メタデータ） (2025-11-26T16:14:20Z)
• SemanticVLA: Semantic-Aligned Sparsification and Enhancement for Efficient Robotic Manipulation [65.6201974979119]
  本稿では,効率的なロボットマニピュレーションのためのセマンティックスペーシフィケーション・エンハンスメントを実現する新しいVLAフレームワークSemanticVLAを提案する。 SemanticVLAはOpenVLA on LIBEROベンチマークを21.1%上回り、トレーニングコストと推論遅延を3.0倍と2.7倍に削減した。
  論文  参考訳（メタデータ） (2025-11-13T17:24:37Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)

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。