論文の概要: AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2608.06729v1
• Date: Fri, 07 Aug 2026 02:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.3339
• Title: AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models
• Title（参考訳）: AtlasVLA: ビジョンランゲージ・アクションモデルのための永続的世界エゴ状態モデリング
• Abstract要約: 我々はAtlasVLAを提案する。AtlasVLAは、直接的な反応性操作からプロアクティブ推論へ、永続的な世界エゴ状態へ移行する新しいフレームワークである。 拡散変圧器(DiT)をワールド・エゴ状態に条件付けすることで、アトラスVLAは堅牢な空間推論を可能にする。 LIBERO-Longでは9.4%、現実世界のロングホライゾンタスクでは17.5%の絶対的な成功率向上を実現している。
• 参考スコア（独自算出の注目度）: 19.153498711907556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Vision-Language-Action (VLA) models have advanced embodied AI, their fundamentally reactive paradigm severely limits performance in partially observable and long-horizon tasks. When restricted to a single wrist-mounted camera, they inevitably suffer from perception forgetting as objects exit the field of view, and temporal task-progress forgetting} during multi-step execution. To overcome these bottlenecks, we propose AtlasVLA, a novel framework that transitions from direct reactive manipulation to proactive reasoning through a persistent world-ego state. AtlasVLA features a dual-memory architecture: a 4D Persistent World State Memory that lifts transient 2D observations into a globally updated, voxel-hashed spatial state to resolve visual blind spots, and an Ego-Working State Memory that tracks historical ego state and task progress. By conditioning a diffusion transformer (DiT) on this joint World-Ego state, AtlasVLA enables robust spatial reasoning. Extensive evaluations across LIBERO, RLBench, and real-world benchmarks demonstrate that AtlasVLA achieves state-of-the-art performance using solely a wrist camera. Remarkably, it decisively outperforms multi-view baselines, yielding absolute success rate improvements of 9.4% on LIBERO-Long and 17.5% in real-world long-horizon tasks.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルには高度な具体的AIがあるが、その基本的リアクティブパラダイムは、部分的に観測可能なタスクと長距離タスクのパフォーマンスを著しく制限している。 単一の手首に搭載されたカメラに制限された場合、オブジェクトが視野から出るときに忘れることと、多段階実行中に時間的タスクプログレスを忘れることに必然的に苦しむ。 これらのボトルネックを克服するため、我々はAtlasVLAを提案する。AtlasVLAは、直接的なリアクティブ操作から、永続的な世界エゴ状態を経て、積極的な推論へと移行する新しいフレームワークである。 AtlasVLAは、デュアルメモリアーキテクチャを備えている: 4D Persistent World State Memoryは、過渡的な2D観測をグローバルに更新され、ボクセルでハッシュ化された空間状態に上げ、視覚的な盲点を解決する。 拡散変圧器(DiT)をワールド・エゴ状態に条件付けすることで、アトラスVLAは堅牢な空間推論を可能にする。 LIBERO、RLBench、および実世界のベンチマークによる大規模な評価は、AtlasVLAが手首カメラだけで最先端のパフォーマンスを達成することを示した。 LIBERO-Longでは9.4%、現実世界では17.5%の絶対的な成功率向上を実現している。

関連論文リスト

• Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
  汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。 VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。 静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
  論文  参考訳（メタデータ） (2026-09-01T07:42:45Z)
• MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation [47.2088748094605]
  Vision-Language-Action(VLA)モデルは、視覚的な観察や自然言語の指示からロボットを操作することを目的としている。 MMaDA-VLAは,マルチモーダル理解と生成をひとつのフレームワークで統一する,完全ネイティブな大規模拡散VLAモデルである。
  論文  参考訳（メタデータ） (2026-03-26T12:55:51Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
  既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。 本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。 我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
  論文  参考訳（メタデータ） (2026-02-23T11:00:08Z)
• 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)
• Efficient Long-Horizon Vision-Language-Action Models via Static-Dynamic Disentanglement [27.517125673741486]
  VLA(Vision-Language-Action)モデルは、汎用的なロボット制御のための有望なパラダイムとして登場した。 マルチレベル静的および動的トークンに視覚入力をアンタングルするフレームワークであるSD-VLAを提案する。 本稿では,VLAの長期時間依存性モデリング機能をより効果的に評価する新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-02-03T20:17:47Z)
• HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models [39.350965975615104]
  HiF-VLAは、双方向の時間的推論に動きを利用する統一的なフレームワークである。 過去のダイナミクスを後見の先行を通してエンコードし、前見の推論を通して将来の動きを予測し、後見の変調された共同専門家を通して統合する。 現実世界の長距離操作タスクにおいて大幅な改善を実現し、実用的なロボット設定においてその幅広い効果を実証している。
  論文  参考訳（メタデータ） (2025-12-10T18:59:32Z)
• 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)
• EvoVLA: Self-Evolving Vision-Language-Action Model [11.746804244345613]
  VLA(Vision-Language-Action)モデルでは、長い水平ロボット操作が依然として難しい。 本稿では,3つの相補的コンポーネントを通じてこの問題に対処する自己教師型VLAフレームワークであるEvoVLAを紹介する。 EvoVLAはサンプル効率を1対半改善し、ステージ幻覚を38.5%から14.8%に下げる。
  論文  参考訳（メタデータ） (2025-11-20T09:08:33Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)

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。