論文の概要: UniTexture: Cross-Task Universal Adversarial Textures for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2608.13453v1
• Date: Thu, 13 Aug 2026 16:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.60394
• Title: UniTexture: Cross-Task Universal Adversarial Textures for Vision-Language-Action Models
• Title（参考訳）: UniTexture:ビジョン・ランゲージ・アクションモデルのためのクロスタスクユニバーサル・ユニバーサル・コンテクスチャ
• Abstract要約: VLA(Vision-Language-Action)モデルは、多様な言語命令に従うことができ、幅広い操作タスクを実行することができる汎用的なロボットポリシーとして登場した。 既存のロボットポリシーに対する攻撃は、通常、単一のタスクや命令に最適化されており、マルチタスクVLAのクロスタスク脆弱性はほとんど探索されていない。 複数タスクにわたるVLA動作予測における目標偏差を誘導するために,単一のテクスチャを持つ3Dオブジェクトを用いて,クロスタスクの普遍的テクスチャアタックであるUniTextureを導入する。
• 参考スコア（独自算出の注目度）: 20.042617351859928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have emerged as generalist robotic policies capable of following diverse language instructions and performing a wide range of manipulation tasks. However, their direct control over embodied agents also exposes them to adversarial interference that may cause unsafe physical behaviors. Existing attacks on robotic policies are typically optimized for a single task or instruction, leaving the cross-task vulnerabilities of multitask VLAs largely unexplored. We introduce UniTexture, a cross-task universal adversarial texture attack that uses a single textured 3D object to induce targeted deviations in VLA action predictions across multiple tasks. UniTexture backpropagates gradients from the policy's action outputs to surface texture parameters through a differentiable renderer. It jointly optimizes the shared texture over a distribution of tasks, instructions, states, and viewpoints using a targeted action-space objective, steering predicted actions toward attacker-defined targets without optimizing a separate texture for each task. We evaluate UniTexture on OpenVLA and $π_{0.5}$ across diverse manipulation tasks and multiple evaluation settings. UniTexture reduces the mean task success rate from 90.0% under benign conditions to 48.4% under attack, induces target-aligned action shifts, and further exhibits cross-suite and cross-model transfer without re-optimization. Together, these findings reveal shared cross-task vulnerabilities in multitask VLAs that can be systematically exploited through a single adversarial surface texture.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、多様な言語命令に従うことができ、幅広い操作タスクを実行することができる汎用的なロボットポリシーとして登場した。 しかし、エンボディード・エージェントに対する直接の制御は、安全でない身体行動を引き起こす可能性のある敵の干渉にさらされる。 既存のロボットポリシーに対する攻撃は、通常、単一のタスクや命令に最適化されており、マルチタスクVLAのクロスタスク脆弱性はほとんど探索されていない。 複数タスクにわたるVLA動作予測における目標偏差を誘導するために,単一のテクスチャを持つ3Dオブジェクトを用いて,クロスタスクの普遍的テクスチャアタックであるUniTextureを導入する。 UniTextureは、ポリシーのアクション出力から、微分可能なレンダラーを通じて表面テクスチャパラメータへの勾配をバックプロパゲートする。 タスク、命令、状態、視点の分散よりも共有されたテクスチャを、ターゲットのアクション空間の目的を使って共同で最適化し、各タスクに対して別々のテクスチャを最適化することなく、アタックの定義したターゲットに対して予測されたアクションを操る。 We evaluate UniTexture on OpenVLA and $π_{0.5}$ across various manipulate task and multiple evaluation settings。 UniTextureは、良識のある条件下での平均タスク成功率を90.0%から48.4%に減らし、目標に沿ったアクションシフトを誘導し、再最適化せずにクロススーツとクロスモデル転送を表示する。 これらの結果から,マルチタスクVLAにおいて,単一の対面テクスチャによって体系的に活用可能なクロスタスク脆弱性の共有が明らかとなった。

関連論文リスト

• Partially Observable Adversarial Patch Attacks on Vision-Language-Action Models in Robotics [21.834006622805678]
  ヴィジュアル・ランゲージ・アクション(VLA)モデルはロボット工学において注目を集めているが、敵の攻撃に対するロバスト性はほとんど解明されていない。 部分的に観測可能な脅威モデルを定式化し、敵は軌跡の短いプレフィックスのみを利用でき、その後の全てのフレームに適用する固定パッチを生成する。 まず、モデルの注意マップを用いてパッチをローカライズし、フルインストラクションに対応する視覚的に重要な領域を特定する。 次に,対象対象物のセマンティックグラウンドを乱すパッチを最適化し,動作軌跡の曲率を増加させる。
  論文  参考訳（メタデータ） (2026-06-02T12:19:28Z)
• GesVLA: Gesture-Aware Vision-Language-Action Model Embedded Representations [19.347332945780273]
  VLA(Vision-Language-Action)モデルは、知覚と行動の統一による汎用ロボット操作の強力な可能性を示している。 ジェスチャーを並列命令として導入し,GesVLA(Gesture-Aware Vision-Language-Action Model)を提案する。 実験結果から,ジェスチャを組み込むことにより,目標の接地精度と人間とロボットの相互作用効率が一貫した改善が得られた。
  論文  参考訳（メタデータ） (2026-05-21T17:57:44Z)
• Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
  本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。 幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。 動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
  論文  参考訳（メタデータ） (2026-05-12T09:21:29Z)
• Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming [64.48633529149579]
  本稿では,VLA(Vision-Language-Action)モデルの言語的変異に対する脆弱性を明らかにするための新しいフレームワークを提案する。 本手法は, ストレス試験用VLAエージェントへのスケーラブルなアプローチを示すため, 平均作業成功率を93.33%から5.85%に下げる。
  論文  参考訳（メタデータ） (2026-04-07T08:43:36Z)
• Tex3D: Objects as Attack Surfaces via Adversarial 3D Textures for Vision-Language-Action Models [24.367080151871487]
  本稿では,FBD(Fbeground-Background Decoupling)を導入し,両面アライメントによるテクスチャ最適化を実現する。 本稿では,行動クリティカルなフレームを優先するトラジェクティブ・アウェア・アドリア最適化(TAAO)を提案する。 Tex3Dは、複数の操作タスク間でVLA性能を著しく低下させ、最大96.7%のタスク故障率を達成する。
  論文  参考訳（メタデータ） (2026-04-02T04:55:34Z)
• 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)
• When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models [81.7618160628979]
  VLA(Vision-Language-Action)モデルは敵の攻撃に弱いが、普遍的かつ移動可能な攻撃は未発見のままである。 UPA-RFAS(Universal Patch Attack via Robust Feature, Attention, and Semantics)は、単一の物理的パッチを共有機能空間で学習する統合フレームワークである。 多様なVLAモデル、操作スイート、物理実行の実験は、UPA-RFASがモデル、タスク、視点を一貫して移行していることを示している。
  論文  参考訳（メタデータ） (2025-11-26T09:16:32Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• GRAPE: Generalizing Robot Policy via Preference Alignment [58.419992317452376]
  GRAPE: 優先度アライメントによるロボット政策の一般化について述べる。 GRAPEはドメイン内および未確認操作タスクにおける成功率をそれぞれ51.79%、58.20%向上させる。 GRAPEは安全性や効率、衝突速度の37.44%、ロールアウト長さの11.15%といった様々な目標に合わせることができる。
  論文  参考訳（メタデータ） (2024-11-28T18:30:10Z)
• Adversarial Robustness for Visual Grounding of Multimodal Large Language Models [49.71757071535619]
  MLLM(Multi-modal Large Language Models)は近年,様々な視覚言語タスクのパフォーマンス向上を実現している。 MLLMでは、視覚的グラウンドリングの対角的堅牢性は未発見のままである。 本稿では,次の3つの攻撃パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-05-16T10:54:26Z)

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。