論文の概要: TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation
- arxiv url: http://arxiv.org/abs/2608.26821v1
- Date: Thu, 27 Aug 2026 09:00:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.318069
- Title: TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation
- Title（参考訳）: テンポラルフロー-VLA:長軸ロボットマニピュレーションのための物理接地実行履歴の学習
- Abstract要約: 本稿では,物理的基盤の時間的監督を通じて,コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。
LIBERO Longでは96.60+/-0.87%、RoboTwin 12タスクで85.5%/84.2%のクリーン/ランダム化成功を含む、TemporalFlow-VLAが平均97.63+/-0.26%のLIBEROで平均的な成功を達成していることを示す。
- 参考スコア（独自算出の注目度）: 14.84720789511593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) models leverage pretrained vision-language representations for robot control, yet simply adding historical frames does not reliably capture recent physical change. This is especially problematic in multi-stage manipulation, where visually similar states may require different actions depending on prior execution. To address this challenge, we present TemporalFlow-VLA, which learns compact execution history through physically grounded temporal supervision. Using recorded robot states, robot geometry, and calibrated cameras, we construct robot-surface temporal flow as a training-only target and supervise two execution-aligned temporal queries that provide structured history to the action expert. The geometric supervision path is not evaluated at deployment. TemporalFlow-VLA achieves 97.63 +/- 0.26% average success on LIBERO, including 96.60 +/- 0.87% on LIBERO Long, and 85.5%/84.2% Clean/Randomized success across 12 RoboTwin tasks. It shows its clearest advantage over prior methods on longer-horizon, multi-stage manipulation. Controlled history interventions show that action prediction depends on both historical content and temporal order. With asynchronous feature caching, temporal conditioning maintains single-frame-level server-side sampling latency without additional historical-encoding overhead. Overall, TemporalFlow-VLA provides a compact, physically grounded interface for exploiting ordered execution history without explicit motion estimation or geometric processing at deployment.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、ロボット制御に事前訓練された視覚言語表現を利用するが、過去のフレームを追加するだけでは、最近の物理的変化を確実に捉えることはできない。
これは、視覚的に類似した状態が、以前の実行に応じて異なるアクションを必要とする、多段階操作において特に問題となる。
この課題に対処するために、物理的に基盤付けられた時間的監督を通して、コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。
記録されたロボット状態,ロボット形状,キャリブレーションカメラを用いて,ロボット表面の時間的流れをトレーニング専用ターゲットとして構築し,動作専門家に構造化された履歴を提供する2つの実行整合時間的クエリを監督する。
幾何学的監督経路は、配備時に評価されない。
テンポラルフロー-VLA は 97.63 +/- 0.26% で LIBERO Long で 96.60 +/- 0.87% 、RoboTwin 12 タスクで 85.5%/84.2% のクリーン/ランダム化が成功している。
これは、長い水平多段操作において、以前の方法よりも明らかな優位性を示している。
制御された履歴介入は、行動予測が歴史的内容と時間的順序の両方に依存することを示している。
非同期機能キャッシングでは、時間的条件付けにより、履歴エンコーディングのオーバーヘッドを伴わずに、シングルフレームレベルのサーバ側サンプリングレイテンシが維持される。
全体として、TemporalFlow-VLAは、明示的なモーション推定や配置時の幾何学的処理を使わずに、順序付き実行履歴を利用するための、コンパクトで物理的に基盤化されたインターフェースを提供する。
関連論文リスト
- $τ_0$-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) - Algorithm-Architecture Co-Design for Efficient VLA Inference via Speculative Inference and Verification [24.0529851878964]
VLA(Vision-Language-Action)モデルは、組み込みAIの分野では目覚ましい能力を示しているが、その高い計算コストと予測されるアクション長によって、リアルタイムなデプロイメントが妨げられている。
提案するSpecVLAは,動作長,推論遅延,タスク信頼性を適応的にバランスさせるアルゴリズム・システム協調設計フレームワークである。
論文 参考訳（メタデータ） (2026-08-16T08:59:22Z) - FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。
FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
論文 参考訳（メタデータ） (2026-07-27T05:10:16Z) - RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。
潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。
RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
論文 参考訳（メタデータ） (2026-05-13T11:58:02Z) - ST-$π$: Structured SpatioTemporal VLA for Robotic Manipulation [24.44733656837927]
ロボット操作のための構造化時間Vモデルを提案する。
本モデルは, 1) 時間的 VLM と 2) 時間的行動専門家の2つの重要な設計によって導かれる。
さらに,微調整のためのアノテーションを付加した実世界のロボットデータセットを提案する。
論文 参考訳（メタデータ） (2026-04-20T06:48:47Z) - OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。
本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。
提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
論文 参考訳（メタデータ） (2026-04-20T06:38:01Z) - VLA-IAP: Training-Free Visual Token Pruning via Interaction Alignment for Vision-Language-Action Models [27.12266806191131]
VLA(Vision-Language-Action)モデルは、ロボットが複雑な命令駆動タスクを実行できるように、急速に高度なインボディードインテリジェンスを備えている。
現在のアプローチはしばしば、操作をサポートする視覚的にスパースで構造的に重要な領域を創り出し、初期のタスクフェーズの不安定な振る舞いを引き起こす。
提案手法であるVLA-IAP(Interaction-Aligned Pruning)では,構造的アンカーを保存するための幾何学的事前メカニズムと動的スケジューリング戦略を導入する。
論文 参考訳（メタデータ） (2026-03-24T09:33:05Z) - Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。
本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。
タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
論文 参考訳（メタデータ） (2026-03-02T05:26:29Z) - 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) - Resolving State Ambiguity in Robot Manipulation via Adaptive Working Memory Recoding [12.400431805327093]
PAMはアダプティブ・ワーキング・メモリを備えた新しいビズモータ・ポリシーである。
300フレームの履歴ウィンドウをサポートし、高い推論速度を維持している。
我々は、7つのタスクを慎重に設計し、PAMが複数の状態曖昧性のシナリオを同時に処理できることを検証する。
論文 参考訳（メタデータ） (2025-12-31T05:20:13Z) - HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy [61.668591984635846]
HAMLETは、行動予測中の歴史的状況に対応するためにビジョン・ランゲージ・アクションモデルを適用するためのフレームワークである。
HAMLETは、最先端のVLAを履歴認識ポリシーに変換することに成功していることを示す。
GR00T N1.5に加えて、HAMLETは歴史に依存した実世界のタスクで平均76.4%の成功率を達成した。
論文 参考訳（メタデータ） (2025-10-01T09:15:52Z)
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。