論文の概要: Training-Free Action Correction for VLA Model Failures via Language Feedback

• arxiv url: http://arxiv.org/abs/2608.29967v1
• Date: Sun, 30 Aug 2026 18:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.134439
• Title: Training-Free Action Correction for VLA Model Failures via Language Feedback
• Title（参考訳）: 言語フィードバックによるVLAモデル故障の訓練自由行動補正
• Abstract要約: 我々は,タスクレベルの自然言語修正を政策重みを変更せずに付加的な行動大調整に変換するフレームワークであるCorrectVLAを提案する。 シミュレーションでは、CorrectVLAは、配信中のタスクとOODタスクの両方にわたる実行ミスアライメント障害を回復する。 ポリシーが正しい目標に達するが、アクションの規模を誤る実行ミスアライメント障害は、修正可能なサブセットを表す。
• 参考スコア（独自算出の注目度）: 10.580497073867159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models demonstrate strong semantic understanding yet exhibit systematic failures during deployment. The conditions under which these failures occur, and whether they can be corrected without retraining, remain poorly understood. In this paper, we take steps toward addressing this gap. We present CorrectVLA, a framework that translates task-level natural language corrections into additive action magnitude adjustments without modifying policy weights. A human provides a single task-level correction, applied uniformly across all rollouts without per-episode intervention. In simulation, CorrectVLA recovers execution misalignment failures across both in-distribution and OOD tasks. In real-robot experiments on a UFactory xArm7 under environment shift, CorrectVLA restores near-perfect success where the base policy almost entirely breaks down, generalizing across object locations and identities. Through a taxonomy of failure modes on LIBERO-90, we find that execution misalignment failures, where the policy reaches the correct target but miscalibrates action magnitudes, represent the correctable subset, while other failure modes where semantic comprehension itself breaks down are not amenable to this approach. The approach succeeds when policies possess strategic correctness and fails when fundamental comprehension is absent, establishing a practical operational boundary for inference-time correction.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、強力なセマンティック理解を示すが、デプロイメント中に体系的な障害を示す。 これらの障害が発生した場合の条件や、再トレーニングなしに修正できるかどうかについては、いまだに理解されていない。 本稿では,このギャップに対処するための一歩を踏み出す。 我々は,タスクレベルの自然言語修正を政策重みを変更せずに付加的な行動大調整に変換するフレームワークであるCorrectVLAを提案する。 人間は、すべてのロールアウトに一様に適用される単一のタスクレベルの修正を、エピソード単位の介入なしに提供する。 シミュレーションでは、CorrectVLAは、配信中のタスクとOODタスクの両方にわたる実行ミスアライメント障害を回復する。 環境シフト中のUFactory xArm7の実際のロボット実験において、CorrectVLAは、基本方針がほぼ完全に崩壊するほぼ完全な成功を回復し、オブジェクトの位置とアイデンティティを一般化する。 LIBERO-90上での障害モードの分類により、ポリシーが正しい目標に達するがアクションの規模を誤る実行ミスアライメント障害が修正可能なサブセットを表現しているのに対し、セマンティック理解自体が分解される他の障害モードはこのアプローチには対応できないことがわかった。 この手法は、政策が戦略的正当性を有し、基本的な理解が欠如している場合に失敗し、推論時間補正のための実用的な操作境界を確立するのに成功する。

関連論文リスト

• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models [32.87104367896446]
  本稿では,拡散型および流路型VLAポリシーに対する適応的負のガイダンスとして,障害軌跡を利用するエンドツーエンドフレームワークを提案する。 AFILはトレーニング済みのVLAを使用して、オンラインの障害ロールアウトを生成する。 その後、デュアルアクションジェネレータ(DAG)を共同で訓練し、共通の視覚言語バックボーンを共有しながら、動作が成功し失敗する。
  論文  参考訳（メタデータ） (2026-05-08T19:57:11Z)
• ReCAPA: Hierarchical Predictive Correction to Mitigate Cascading Failures [11.399289646886968]
  予測とコントラストを用いて3つのレベル(アクション、サブゴール、トラジェクトリ)の偏差を調整するフレームワークを提案する。 タスクにおけるエラーの伝搬と回復の過程を定量化する2つの新しい指標を導入する。 実験の結果、ReCAPAはVisualAgentBench、MineDojo、AI2-THORなどの組み込みエージェントベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2026-04-23T02:57:50Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• 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)
• TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
  VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。 本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。 我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
  論文  参考訳（メタデータ） (2026-03-25T17:56:32Z)
• When to Act, Ask, or Learn: Uncertainty-Aware Policy Steering [10.01278648231868]
  ポリシーステアリングは、デプロイ時にロボットの振る舞いを適用する新しい方法です。 VLM(Vision-Language Models)は、それらの推論能力のために、汎用的な検証を約束する。 セマンティックタスクの不確実性と低レベルのアクション実現可能性について共同で理由づけるフレームワークである不確実性対応型ポリシーステアリング(UPS)を提案する。
  論文  参考訳（メタデータ） (2026-02-25T23:23:22Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• VLS: Steering Pretrained Robot Policies via Vision-Language Models [31.189909515514668]
  Vision-Language Steering (VLS)は、凍結生成ロボットポリシーの推論時間適応のためのトレーニング不要フレームワークである。 VLSは、適応を推論時間制御問題として扱い、事前訓練された拡散またはフローマッチングポリシーのサンプリングプロセスを操る。
  論文  参考訳（メタデータ） (2026-02-03T19:50:16Z)
• From Knowing to Doing Precisely: A General Self-Correction and Termination Framework for VLA models [42.553888395227766]
  本稿では、視覚言語アクション(VLA)モデルのための軽量でトレーニング不要なフレームワークを提案する。 VLA-SCTは自己修正制御ループとして動作し、データ駆動型アクションリファインメントと条件論理を組み合わせて終了する。 本手法は,LIBEROベンチマークのすべてのデータセットに対して一貫した改善を実現する。
  論文  参考訳（メタデータ） (2026-02-02T08:44:40Z)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
  VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。 Instruct-Verify-and-Act(IVA)を提案する。 実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T10:54:33Z)

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。