論文の概要: An Empirical Study on Stage-Information Interfaces for VLA Fine-Tuning
- arxiv url: http://arxiv.org/abs/2607.13605v1
- Date: Wed, 15 Jul 2026 08:53:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.712905
- Title: An Empirical Study on Stage-Information Interfaces for VLA Fine-Tuning
- Title（参考訳）: VLAファインチューニングのためのステージ情報インタフェースに関する実証的研究
- Abstract要約: 我々は、全タスク命令とVLAアクションチャンクの間の中間表現として、セグメント化されたアクションアノテーションを使用します。
進捗モジュールは、アクティブステージを追跡し、アクションポリシーは、ロボット状態において、現在のステージテキストまたは正規化された順序ステージインデックスとしてステージ情報を受信する。
直接微調整、フルタスクの指導、現在段階のテキスト、通常段階の成績はそれぞれ57.45%、50.24%、54.36%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One high-level instruction in long-horizon manipulation can cover several action stages. We use segmented action annotations as an intermediate representation between the full-task instruction and VLA action chunks. A progress module tracks the active stage, while the action policy receives stage information either as current-stage text or as a normalized ordinal stage index in robot state. We compare these interfaces with GR00T N1.6 on LIBERO-10 under direct fine-tuning and continuation fine-tuning from a full-task instruction baseline. Under direct fine-tuning, full-task instruction, current-stage text, and Ordinal Stage-State achieve mean success rates of 57.45%, 50.24%, and 54.36%, respectively, showing that explicit stage information does not automatically improve the policy. Under continuation, the corresponding means are 49.07%, 50.00%, and 53.75%, with Ordinal Stage-State exceeding both alternatives in all three paired runs. The observed benefit differs across interface representations and training arrangements.
- Abstract（参考訳）: ロングホライゾン操作における1つのハイレベルな命令は、いくつかのアクションステージをカバーすることができる。
我々は、全タスク命令とVLAアクションチャンクの間の中間表現として、セグメント化されたアクションアノテーションを使用します。
進捗モジュールは、アクティブステージを追跡し、アクションポリシーは、ロボット状態において、現在のステージテキストまたは正規化された順序ステージインデックスとしてステージ情報を受信する。
我々はこれらのインタフェースをLIBERO-10上のGR00T N1.6と比較し、フルタスクの命令ベースラインから直接微調整および継続微調整を行う。
直接微調整、フルタスクの指導、現在段階のテキスト、通常段階のテキストでは、それぞれ57.45%、50.24%、54.36%の平均的な成功率を達成しており、明示的な段階情報によってポリシーが自動的に改善されないことを示している。
継続中、対応する手段は49.07%、50.00%、53.75%であり、通常のステージ・ステートは3つのペア・ランで2つの選択肢を上回っている。
観察されたメリットは、インターフェース表現とトレーニングアレンジメントによって異なります。
関連論文リスト
- EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - Temporal GRPO: Beyond Trajectory-Level Credit in Vision-Language-Action Reinforcement Learning [27.507258147328]
アウトカム駆動強化学習は、タスク・サクセスの少ないフィードバックから、視覚-言語-アクション(VLA)ポリシーをトレーニング後処理するスケーラブルな方法を提供する。
RoboTwin 2.0では、Temporal GRPOがタスク成功とサンプル効率を改善し、タスク水平線を一貫したゲインを実現している。
論文 参考訳（メタデータ） (2026-08-13T09:54:14Z) - STARE-VLA: Progressive Stage-Aware Reinforcement for Fine-Tuning Vision-Language-Action Models [23.313031858351028]
本稿では,STARE(Stage-Aware Reinforcement)について述べる。
また、視覚・言語・アクション(VLA)モデルにおける動作精度を向上させるために、Imitation -> Preference -> Interaction (IPI)パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-04T18:59:22Z) - Learning Procedural-aware Video Representations through State-Grounded Hierarchy Unfolding [12.083424392460406]
我々は、オブジェクト構成のテキストスナップショットである'states'を、モデルが実際に見ることができるものにプロシージャを固定する視覚的に接地されたセマンティック層として導入する。
我々は、この洞察を新しいタスク-ステップ-ステート(TSS)フレームワークで定式化し、そこでは、観測可能な状態間の遷移を駆動するステップを通じてタスクが達成される。
提案手法は,タスク認識,ステップ認識,次のステップ予測など,複数の下流タスクのベースラインモデルより優れている。
論文 参考訳（メタデータ） (2025-11-25T08:46:11Z) - SCHEMA: State CHangEs MAtter for Procedure Planning in Instructional
Videos [54.01116513202433]
本研究では,視覚状態の部分的な観察を目標とする行動手順を目標とする指導ビデオにおけるプロシージャ計画の課題について検討する。
最近の研究は、訓練中にアクセス可能なシーケンスレベルのアノテーションのみを持つステップのシーケンスモデリングに成功し、手順における状態の役割を見落としている。
我々は,手順におけるステップと状態の因果関係を調べることによって,より構造化された状態空間を確立することを目指している。
論文 参考訳（メタデータ） (2024-03-03T19:53:06Z) - Progression-Guided Temporal Action Detection in Videos [20.02711550239915]
本稿では,時間的行動検出(TAD)のための新しいフレームワークであるAction Progression Network(APN)を提案する。
このフレームワークは、アクション進化プロセスを検出して、ビデオ中のアクションを見つける。
完全なアクションプロセスを101段階に定量化し、アクションの進行を認識するためにニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2023-08-18T03:14:05Z) - Learning to Ground Instructional Articles in Videos through Narrations [50.3463147014498]
ナレーションされたハウツービデオにおける手続き的活動の段階をローカライズするためのアプローチを提案する。
本稿では,教科記事を含む言語知識ベース(wikiHow)からステップ記述を抽出する。
本モデルは,3つのモダリティをマッチングすることにより,プロシージャ記事のステップをハウツービデオに時間的に基礎付けることを学習する。
論文 参考訳（メタデータ） (2023-06-06T15:45:53Z) - Non-Sequential Graph Script Induction via Multimedia Grounding [129.83134296316493]
我々は、学習タスクのための明示的なグラフスクリプトを生成することと、部分的なステップシーケンスが与えられた将来のステップを予測することの両方が可能なスクリプト知識モデルを訓練する。
人間による評価では、我々のモデルはWikiHowの線形ベースラインを48.76%上回り、シーケンシャルなステップ関係と非シーケンシャルなステップ関係を捉えた。
論文 参考訳（メタデータ） (2023-05-27T18:13:17Z) - SVIP: Sequence VerIfication for Procedures in Videos [68.07865790764237]
ステップレベルの変換を伴う負のアクションシーケンスと同一のアクションシーケンスを実行するポジティブなビデオペアを区別することを目的とした,新しいシーケンス検証タスクを提案する。
このような困難なタスクは、事前のアクション検出やセグメンテーションなしで、オープンセット設定に置かれる。
我々は、化学実験において、あらゆる段階的な変換を列挙したスクリプト付きビデオデータセットを収集する。
論文 参考訳（メタデータ） (2021-12-13T07:03:36Z) - End-to-end Temporal Action Detection with Transformer [86.80289146697788]
時間的アクション検出(TAD)は、トリミングされていないビデオにおいて、すべてのアクションインスタンスのセマンティックラベルとバウンダリを決定することを目的としている。
そこで我々は,textitTadTR と呼ばれる Transformer によるTAD のエンドツーエンドフレームワークを構築した。
本手法は,HACSセグメンツとTHUMOS14の最先端性能とActivityNet-1.3の競合性能を実現する。
論文 参考訳（メタデータ） (2021-06-18T17:58:34Z)
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。