論文の概要: SparkVLA: Stop-Aware Hierarchical VLA with Adaptive Action Chunking for Long-Horizon Manipulation
- arxiv url: http://arxiv.org/abs/2608.16172v1
- Date: Mon, 17 Aug 2026 06:43:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.559411
- Title: SparkVLA: Stop-Aware Hierarchical VLA with Adaptive Action Chunking for Long-Horizon Manipulation
- Title（参考訳）: SparkVLA: 長軸マニピュレーションのための適応的アクションチャンク付きストップアウェア階層型VLA
- Abstract要約: 本稿では,両決定を単一ランキングとして定式化することで相互依存を解消する,停止対応階層型VLAであるSparkVLAを提案する。
RoboCerebraでは、SparkVLAが47.12%の成功率を記録し、公式階層ベースラインを30.57%、再現可能なメソッドを26.83%上回った。
- 参考スコア（独自算出の注目度）: 1.3399367433453182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At every re-observation point in a hierarchical Vision-Language-Action (VLA) system, two interface decisions must be made: when to terminate the current subtask and how far to execute the proposed action chunk. These decisions are mutually dependent---the optimal stopping point depends on what the executor plans to do, while the optimal execution length depends on where the subtask boundary lies---yet existing architectures evaluate them in isolation, an asymmetry neither module can overcome alone. We present SparkVLA, a stop-aware hierarchical VLA that resolves this mutual dependency by formulating both decisions as a single ranking: Stop competes against every action-prefix length in a unified candidate set, and the system selects the highest-scoring option, eliminating threshold tuning and requiring only offline ordinal preferences. An Anchor-Conditioned Context Encoding module caches a history-aware subtask anchor encoding onset-state memory and goal semantics, guiding visual-token pruning toward task-relevant regions; a Stop-Aware Action-Prefix Selection head scores all candidates via full self bnattention at chunk boundaries for efficiency. On RoboCerebra, SparkVLA achieves 47.12% success rate, surpassing the official hierarchical baseline by 30.57% and the strongest reproducible method by 26.83% Real-robot experiments on multi-step tasks further validate these gains on physical hardware.
- Abstract（参考訳）: 階層型ビジョン・ランゲージ・アクション(VLA)システムにおける再観測点のすべてにおいて、現在のサブタスクをいつ終了するかと、提案されたアクションチャンクの実行距離の2つのインターフェース決定を行う必要がある。
これらの決定は相互に依存する - 最適な停止点はエグゼキュータの計画に依存するが、最適な実行長はサブタスク境界がどこにあるかに依存する - 既存のアーキテクチャはそれらを独立して評価するが、どちらのモジュールも単独では克服できない。
本稿では,両決定を単一ランキングとして定式化することで,この相互依存関係を解消する停止対応階層型VLAであるSparkVLAについて述べる。
Anchor-Conditioned Context Encodingモジュールは、オンセット状態メモリとゴールセマンティクスをエンコードする履歴認識サブタスクアンカーをキャッシュし、タスク関連領域への視覚的なプルーニングを誘導する。
RoboCerebraでは、SparkVLAが47.12%の成功率を記録し、公式階層ベースラインを30.57%、再現可能なメソッドを26.83%上回った。
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) - Learning What to Retain: Gated-Memory Routing for Efficient Collaboration in Multi-Agent LLM Systems [11.76537973781688]
大規模言語モデル(LLM)ベースのマルチエージェントシステムは、複数のエージェントがどのように構成され、どのように協調するかをオーケストレーションすることによって、複雑な推論に取り組む。
本稿では,クエリと学習した実行メモリに関する各決定を条件に,Gated-Memory Routingを提案する。
最も高いベースラインを2.44ポイント越え、HumanEval推論コストを31.9%削減した。
論文 参考訳（メタデータ） (2026-08-31T18:42:57Z) - $τ_0$-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation [51.05516457377339]
ロングホライズンロボットの操作には、ロボットが個々のスキルを確実に実行し、拡張されたタスクに対してそれらを一貫性を持ってシーケンスする必要がある。
計算スケーリング可能な推論問題として高レベルサブタスク生成を定式化する階層型ロボット基盤モデルである$_0$-VLAを導入する。
低レベルポリシーは、生成されたサブタスクを複数のロボットエンボディメントにわたって実行する。
論文 参考訳（メタデータ） (2026-08-17T17:59:11Z) - Dynamic Execution Commitment of Vision-Language-Action Models [21.647844049489535]
本稿では,動的実行コミットメントを自己特定的プレフィックス検証問題として再編成する適応アクションアクセプタンス機構であるA3を紹介する。
A3はまず、グループサンプリングを介して行動の軌跡的なコンセンサススコアを計算し、次に代表ドラフトを選択し、下流検証を優先する。
さまざまなVLAモデルとベンチマークの実験では、A3は手動の水平調整の必要性を排除し、実行と推論のスループットのトレードオフを優れたものにしている。
論文 参考訳（メタデータ） (2026-05-12T05:52:58Z) - Phionyx: A Deterministic AI Runtime Architecture with Structured State Management and Pre-Response Governance [0.0]
我々は、より広範なEchoismインタラクションフレームワークから派生した決定論的AIランタイムアーキテクチャであるPhionyxを紹介する。
確率的エージェントとは異なり、フィオニクスは決定論的状態進化方程式によって支配される構造化状態ベクトルを介して決定論的状態進化を実行する。
本アーキテクチャは,(1)標準46ブロックパイプラインによるカーネル処理ノイズセンサ計測の定性評価,(2)事前応答制御とアーキテクチャプライバシ保護を実現する統一安全層,(3)影響重み付きキャッシュ消去を実装したセマンティック時間ベースのメモリシステムである。
論文 参考訳（メタデータ） (2026-05-04T18:35:31Z) - Goal2Skill: Long-Horizon Manipulation with Adaptive Planning and Reflection [15.30405243180468]
長い水平な操作タスクには、永続的なメモリ、適応的なタスクの分解、実行障害からの明示的な回復が必要である。
本フレームワークは,低レベルモータ実行から高レベルセマンティック推論を明示的に分離する。
VLMベースのエージェントモジュールとして実装された高レベルプランナは、構造化されたタスクメモリを維持している。
低レベルエグゼキュータは、VLAベースのビジュモータコントローラとしてインスタンス化され、各サブタスクを実行する。
論文 参考訳（メタデータ） (2026-04-15T14:53:09Z) - Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。
NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-27T11:34:41Z) - 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) - StreamVLA: Breaking the Reason-Act Cycle via Completion-State Gating [8.031311182554981]
長距離ロボット操作は、高レベルの計画と低レベルの制御のギャップを埋める必要がある。
現在のVision-Language-Actionモデルは、しばしばこれらのプロセスを絡めて、各ステップで冗長なマルチモーダル推論を実行する。
本稿では、テキストタスクの分解、視覚目標の想像力、連続的なアクション生成を単一のパラメータ効率のバックボーン内で統合するデュアルシステムアーキテクチャStreamVLAを提案する。
論文 参考訳（メタデータ） (2026-02-01T08:51:17Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。
LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。
本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳（メタデータ） (2020-05-27T01:10:41Z)
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。