論文の概要: FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2607.18231v1
• Date: Mon, 20 Jul 2026 17:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.732711
• Title: FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation
• Title（参考訳）: FM-VLA:コンタクトリッチマニピュレーションにおける視覚・言語・アクションモデルのためのフォースベースメモリ
• Abstract要約: 本稿では,力に基づくメモリを用いた視覚言語行動モデルFM-VLAを提案する。 我々は,強制時系列再構成で予め訓練された変分オートエンコーダを用いて,強制履歴をコンパクトな強制記憶トークンにエンコードする。 我々の軽量なフォースメモリは、最小の推論オーバーヘッドで80%以上の成功率を達成する。
• 参考スコア（独自算出の注目度）: 30.071471609769755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models have achieved impressive generalization in robotic manipulation, and recent memory-augmented VLAs have relaxed the Markovian assumption by conditioning on past images or language summaries. Vision-based memory approaches address this by conditioning on sampled past image frames, but they are computationally expensive and fundamentally limited when temporal events are visually ambiguous, e.g., pushing a button multiple times with small movements. We propose FM-VLA, a VLA model with force-based memory, enabling temporal context reasoning for non-Markovian, contact-rich manipulation. We encode force histories into compact force memory tokens with a variational autoencoder (VAE) pretrained with force time series reconstruction. By projecting force latent representations and short state history as additional conditioning tokens to the action expert module, we enable VLAs to leverage accumulated contact event history to guide manipulation. We evaluate FM-VLA on three memory-dependent tasks, including finding a hidden block, pressing a button, and wiping a dish for a specific number of times. Our lightweight force memory achieves over 80% success rate with minimal inference overhead, significantly outperforming baseline approaches. Project page: https://qft-333.github.io/FM-VLA-Page/
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルはロボット操作において印象的な一般化を実現しており、最近のメモリ拡張VLAは過去の画像や言語要約を条件にすることでマルコフの仮定を緩和している。 視覚ベースのメモリアプローチは、過去の画像フレームのサンプルを条件付けすることでこの問題に対処するが、時間的事象が視覚的に曖昧である場合、例えば、小さな動きでボタンを何度も押すなど、計算コストが高く、根本的な制限がある。 我々は,非マルコフ的,接触リッチな操作に対する時間的文脈推論を可能にする,力に基づくメモリ付きVLAモデルFM-VLAを提案する。 本研究では, 強制時系列再構成を前提とした可変オートエンコーダ(VAE)を用いて, 強制履歴をコンパクトな強制記憶トークンにエンコードする。 動作エキスパートモジュールに追加の条件付きトークンとして、強制潜在表現と短い状態履歴を投影することにより、VLAが蓄積した接触イベント履歴を利用して操作をガイドできる。 FM-VLAは,隠されたブロックの発見,ボタンの押圧,特定の回数の皿の拭き取りなど,メモリ依存の3つのタスクに対して評価を行う。 我々の軽量なフォースメモリは、最小の推論オーバーヘッドで80%以上の成功率を達成し、ベースラインのアプローチよりも大幅に優れています。 プロジェクトページ:https://qft-333.github.io/FM-VLA-Page/

関連論文リスト

• Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation [96.18832998704329]
  ラメムVLA(LaMem-VLA)は、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)のフレームワークである。 LaMem-VLAは、メモリがVLA推論に直接参加し、コンテキスト境界下でアクション生成をガイドすることを可能にする。
  論文  参考訳（メタデータ） (2026-07-08T16:26:06Z)
• MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
  本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。 調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。 MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-06-18T17:59:51Z)
• EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
  EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。 KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。 対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
  論文  参考訳（メタデータ） (2026-06-18T11:11:37Z)
• MemoryVLA++: Temporal Modeling via Memory and Imagination in Vision-Language-Action Models [80.70528162709276]
  効果的な制御は過去の相互作用の記憶と将来の状態の想像を必要とするため、ロボット操作には時間モデリングが不可欠である。 本稿では,VLAモデルにメモリと想像力を付与し,ロボット操作のためのフル時間モデリングフレームワークであるMemoryVLA++を提案する。 提案手法は,Libero,SimplerEnv,Mikasa-Robo,Calvin,Libero-Plus,多種多様な実ロボットタスクにまたがって高い性能を実現する。
  論文  参考訳（メタデータ） (2026-06-08T17:59:53Z)
• ReMem-VLA: Empowering Vision-Language-Action Model with Memory via Dual-Level Recurrent Queries [45.23935281952228]
  本稿では、2組の学習可能なクエリを備えた視覚言語アクション(VLA)モデルであるReMem-VLAを紹介する。 これらのクエリはエンドツーエンドでトレーニングされ、時間とともに関連するコンテキストを集約し、維持する。 ReMem-VLAは複数の次元にまたがる強力なメモリ能力を示す。
  論文  参考訳（メタデータ） (2026-03-13T12:38:42Z)
• VPWEM: Non-Markovian Visuomotor Policy with Working and Episodic Memory [31.464584758455356]
  VPWEMは、ワーキングメモリとエピソードメモリを備えた非マルコフヴィジュモータ政策である。 動作生成には短期情報とエピソードワイド情報の両方を使用し、1ステップあたりのメモリと計算がほぼ一定である。
  論文  参考訳（メタデータ） (2026-03-05T07:52:50Z)
• RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
  記憶は、長い水平と歴史に依存したロボット操作にとって重要である。 近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。 本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T21:59:32Z)
• MAP-VLA: Memory-Augmented Prompting for Vision-Language-Action Model in Robotic Manipulation [22.063033063941788]
  MAP-VLA(Memory-Augmented Prompting for Vision-Language-Action Model)は、実証型メモリプロンプトによって訓練済みのVLAモデルを強化し、長距離ロボット操作タスクのためのアクション生成を可能にする新しいフレームワークである。 その結果、MAP-VLAは、シミュレーションベンチマークで7.0%の絶対的なパフォーマンス向上を達成でき、また、現在の最先端手法を超越した、長距離タスクにおける実際のロボット評価の25.0%を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-11-12T17:56:13Z)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)

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。