論文の概要: AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning

• arxiv url: http://arxiv.org/abs/2607.15714v1
• Date: Fri, 17 Jul 2026 07:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.78501
• Title: AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning
• Title（参考訳）: AC-VLA:構成学習によるロバストなアウト・オブ・ディストリビューション行動実行
• Abstract要約: VLA(Vision-Language-Action)モデルは、エンドツーエンドのロボット操作において優れているが、アウト・オブ・ディストリビューション(OOD)の一般化に苦慮している。 構成的サブスキルのセマンティクスよりも全体論的軌道パターンに過度に適合するEmphtrajectory overfittingと、世界空間の接地を犠牲にして手首面のテクスチャを過度に強調するEmphperceptual shortcutの2つの相互強化モードを同定する。 textbfAC-VLA, プラグアンドプレイアクション構成学習について紹介する。
• 参考スコア（独自算出の注目度）: 52.47988016454267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models excel at end-to-end robotic manipulation but struggle with out-of-distribution (OOD) generalization when familiar sub-tasks are recombined in unseen configurations. We identify two mutually reinforcing failure modes: \emph{trajectory overfitting}, where models overfit to holistic trajectory patterns rather than compositional sub-skill semantics; and \emph{perceptual shortcut}, where action tokens over-rely on wrist-view textures at the expense of global spatial grounding. To address both, we introduce \textbf{AC-VLA}, a plug-and-play Action Compositional learning framework comprising two architecture-agnostic components: \textbf{(i)} a compositional learning module that uses an LLM-driven instruction decomposer and a proprioceptive trajectory aligner to generate dense sub-task supervision, followed by mixed training on complete demonstrations and decomposed data to endow the model with compositional generalization; and \textbf{(ii)} a state-conditioned asymmetric masking strategy that suppresses wrist-view inputs during closed-gripper phases, enforcing global semantic grounding. All components are architectural modification-free and directly integrable into any VLA backbone. Instantiated on $π_{0.5}$ and evaluated on LIBERO and LIBERO-OOD benchmarks, AC-VLA achieves a ~28% absolute improvement on compositional OOD tasks while maintaining near-perfect in-distribution performance.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、エンドツーエンドのロボット操作において優れているが、見慣れたサブタスクが目に見えない構成で再結合される場合、アウト・オブ・ディストリビューション(OOD)の一般化に苦労する。 構成的サブスキルセマンティクスよりも包括的軌道パターンに過度に適合するモデルである「emph{trajectory overfitting」と、グローバル空間接地を犠牲にして手首視テクスチャに過度に作用トークンを付加する「emph{perceptual shortcut」という2つの障害モードを相互に強化する。 2つのアーキテクチャに依存しないコンポーネントからなるプラグアンドプレイアクション合成学習フレームワークである \textbf{AC-VLA} を紹介する。 i) LLM駆動の命令分解器とプロジェクティブ・トラジェクトリ・コーディネータを用いて、密集したサブタスクの監視を生成する構成学習モジュール。 (ii) 閉グリップフェーズにおける手首視入力を抑制し, グローバルなセマンティックグラウンドを強制する状態条件付き非対称マスキング戦略。 すべてのコンポーネントはアーキテクチャ変更フリーで、任意のVLAバックボーンに直接統合可能である。 AC-VLA は π_{0.5}$ に基づいて LIBERO と LIBERO-OOD のベンチマークで評価され, ほぼ完全な分配性能を維持しながら, 組成 OOD のタスクに対して ~28% の絶対的な改善を達成している。

関連論文リスト

• Dynamics-Aware Meta-Imitation for Generalization to Unseen Robotic Manipulation [17.382238044141783]
  本稿では,ロボットのデモンストレーションからスキルを学ぶためのフレームワークを提案する。 メタラーニングを統合して共有スキルスペースを構築することで、DAMIは新しいタスクに迅速に適応するためのエージェントを提供する。 我々の手法は、目に見えるタスクの直接推論と目に見えないタスクへの適応に関して、最先端のベースラインより優れています。
  論文  参考訳（メタデータ） (2026-07-17T11:50:03Z)
• Bridging Semantics and Kinematics: A Modular Framework for Zero-Shot Robotic Manipulation [0.6927055673104934]
  このアーキテクチャは、視覚行動パイプラインを視覚認識、意味解釈、タスク実行の3段階に分解することで、高レベルの推論と低レベルの運動学のギャップを埋める。 このフレームワークは、制約のないオープンワールドシーケンシャルな操作と密接なリレーショナルな空間的推論という、2つのゼロショット実験装置で評価される。
  論文  参考訳（メタデータ） (2026-06-22T11:01:56Z)
• AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
  AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。 AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-04T13:28:51Z)
• Libra-VLA: Achieving Learning Equilibrium via Asynchronous Coarse-to-Fine Dual-System [15.427164345561417]
  VLA(Vision-Language-Action)モデルは、汎用的なロボット操作において有望なパラダイムである。 本稿では,新しいデュアルシステムVLAアーキテクチャであるLibra-VLAを紹介する。 当社のアプローチは,オープンワールド操作に対して,スケーラブルで堅牢で応答性の高いソリューションを提供しています。
  論文  参考訳（メタデータ） (2026-04-27T19:02:46Z)
• 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)
• CKAA: Cross-subspace Knowledge Alignment and Aggregation for Robust Continual Learning [80.18781219542016]
  継続的学習(CL)は、シーケンシャルなタスクストリームから継続的に学習するAIモデルに権限を与える。 近年,パラメータ効率のよい微調整(PEFT)によるCL法が注目されている。 ミスリード型タスクIDに対するロバスト性を高めるために,クロスサブスペース・ナレッジアライメント・アグリゲーション(CKAA)を提案する。
  論文  参考訳（メタデータ） (2025-07-13T03:11:35Z)
• How PARTs assemble into wholes: Learning the relative composition of images [25.06788919709452]
  空間認識型プレテキストタスクは、自己教師あり学習において活発に研究されている。 グリッドベースのアプローチは、現実世界のオブジェクト合成の流動性と連続した性質を捉えるには不十分である。 オフグリッドパッチ間の連続的な相対変換を活用する,自己教師型学習アプローチであるPartialを導入する。
  論文  参考訳（メタデータ） (2025-06-04T08:12:18Z)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)

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。