論文の概要: MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization
- arxiv url: http://arxiv.org/abs/2608.25864v1
- Date: Wed, 26 Aug 2026 14:38:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.865673
- Title: MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization
- Title（参考訳）: MA-VLA:協調・構成一般化のためのマルチアームビジョン・ランゲージ・アクションモデル
- Abstract要約: マルチアームコラボレーションは、身体操作のコア機能になりつつある。
原子間相互作用によるマルチアーム協調のための統合フレームワークMA-VLAを提案する。
Arm Shuffleは、固定された実行ロールへの依存を減らす。
- 参考スコア（独自算出の注目度）: 67.1660214178234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-arm collaboration is becoming a core capability in embodied manipulation. Recent vision-language-action (VLA) models integrate perception, language, and control, but most represent language as a single global instruction and do not provide an explicit mechanism for assigning and composing arm-specific behaviors. This design limits transfer to collaboration patterns that differ from those observed during training. We present MA-VLA, a unified framework for multi-arm collaboration via atomic action assignment. MA-VLA decomposes cooperative behavior into mid-level atomic prompts and allocates them to individual arms, enabling explicit subgoal specification and compositional reuse across tasks. To reduce reliance on fixed execution roles, we introduce Arm Shuffle, a training-time permutation of the observation, state, and assigned atomic prompts for each arm. This permutation enforces role-agnostic instruction following and supports recomposition into unseen coordination patterns, which we term multi-arm compositional generalization. We also construct a benchmark in which test-time collaboration patterns are absent in training set. Across simulation and real-world evaluations, prior state-of-the-art VLAs largely fail under these unseen collaborations, while MA-VLA consistently succeeds. These results indicate that structured, per-arm atomic action assignment offers a practical route to scalable generalization in multi-arm embodied systems. Code, models, and data are available at https://github.com/zhangzaibin/future-robots
- Abstract（参考訳）: マルチアームコラボレーションは、身体操作のコア機能になりつつある。
近年の視覚言語アクション(VLA)モデルは、知覚、言語、制御を統合しているが、ほとんどの場合、言語を単一のグローバルな命令として表現しており、腕固有の振る舞いを割り当て、構成するための明確なメカニズムを提供していない。
この設計は、トレーニング中に観察されるものと異なるコラボレーションパターンへの移行を制限する。
原子間相互作用によるマルチアーム協調のための統合フレームワークMA-VLAを提案する。
MA-VLAは、協調動作を中級原子プロンプトに分解し、個々のアームに割り当て、タスク間の明示的なサブゴール仕様と構成的再利用を可能にする。
固定された実行ロールへの依存を軽減するため、各アームに対する観察、状態、割り当てられた原子プロンプトのトレーニング時間置換であるArm Shuffleを導入する。
この置換はロールに依存しない命令を強制し、多腕合成一般化(multi-arm compositional generalization)と呼ぶ、目に見えない協調パターンへの分解を支援する。
また、トレーニングセットにテストタイムのコラボレーションパターンが欠如しているベンチマークを構築します。
シミュレーションと実世界の評価を通じて、従来の最先端のVLAは、これらの目に見えないコラボレーションの下で失敗し、MA-VLAは一貫して成功している。
これらの結果は、構造化された原子間動作割り当てが、マルチアームエンボディシステムにおけるスケーラブルな一般化への実践的な経路を提供することを示している。
コード、モデル、データはhttps://github.com/zhangzaibin/future-robotsで入手できる。
関連論文リスト
- Uncovering Understanding-Generation Synergy in Native Unified Multimodal Models: From Representation, Task to System [90.64481646805855]
統一マルチモーダルモデル(UMM)は、単一のモデル内で視覚的理解と生成を共同で行う。
制御された、構造的にネイティブな環境で、それらの関係を表現、タスク、システムレベルで調査する。
適切な特殊化やタスク知識の共有,エンドツーエンドの最適化など,UMMの価値は統一インターフェースを超えて,共存を相乗効果に転換できることを示す。
論文 参考訳（メタデータ） (2026-09-01T17:59:59Z) - 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) - AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning [52.47988016454267]
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。
論文 参考訳（メタデータ） (2026-07-17T07:51:03Z) - VLAFlow: A Unified Training Framework for Vision-Language-Action Models via Co-training and Future Latent Alignment [17.204682551730205]
本稿では,VLAトレーニング目標を比較するための統合フローマッチングフレームワークであるVLAFlowを提案する。
我々は,同じpi0型アーキテクチャ,共有VLMバックボーン,アクションエキスパート,14次元アクション空間の4つのパラダイムを評価した。
論文 参考訳（メタデータ） (2026-07-02T01:38:16Z) - CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。
実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。
その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
論文 参考訳（メタデータ） (2026-06-10T17:26:08Z) - OneVLA: A Unified Framework for Embodied Tasks [42.816376426057275]
ナビゲーションと操作は インテリジェンスの基本能力だ
OneVLAは、これらの異なるタスクを単一の凝集性フレームワークに統合する統一アーキテクチャである。
シミュレーションと実世界の両方の環境での実験は、OneVLAが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-05-31T13:43:23Z) - Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。
本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文 参考訳（メタデータ） (2026-05-07T14:19:17Z) - HiMoE-VLA: Hierarchical Mixture-of-Experts for Generalist Vision-Language-Action Policies [83.41714103649751]
具体的インテリジェンスモデルの開発は、高品質なロボットのデモデータへのアクセスに依存する。
異種多種多様なロボットデータを扱うための視覚言語アクションフレームワークであるHiMoE-VLAを提案する。
HiMoE-VLAは既存のVLAベースラインよりも一貫したパフォーマンス向上を示し、高い精度と堅牢な一般化を実現している。
論文 参考訳（メタデータ） (2025-12-05T13:21:05Z) - HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model [54.64088247291416]
操作ポリシー設計の基本的な目的は、ロボットに人間の指示を理解し、シーンの手がかりを推論し、動的な環境で一般化されたアクションを実行することである。
近年の自己回帰的視覚言語行動(VLA)法は、視覚言語モデル(VLM)から常識推論能力を継承し、次の行動予測を行う。
拡散に基づく行動の連続的な性質と自己回帰の文脈的推論を吸収する統合フレームワークであるHybridVLAを紹介する。
論文 参考訳（メタデータ） (2025-03-13T17:59:52Z) - Hierarchical Consensus-Based Multi-Agent Reinforcement Learning for Multi-Robot Cooperation Tasks [17.914928652949314]
階層型合意に基づくマルチエージェント強化学習(HC-MARL)フレームワークを導入し,その限界に対処する。
HC-MARLは、エージェント間のグローバルコンセンサスを促進するために対照的な学習を採用し、直接のコミュニケーションなしに協調行動を可能にする。
様々なタスクの動的な要求を満たすために、コンセンサスを複数の層に分割し、短期的および長期的考慮を包含する。
論文 参考訳（メタデータ） (2024-07-11T03:55:55Z)
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。