論文の概要: GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2609.04193v1
• Date: Thu, 03 Sep 2026 17:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.200227
• Title: GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation
• Title（参考訳）: GIFT:ロボットマニピュレーションのためのアクション指向構造スーパービジョンによる中間的特徴訓練
• Abstract要約: GIFT(Guided Intermediate Feature Training)は,中間機能学習のためのアーキテクチャフレキシブルなフレームワークである。 我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。 RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。
• 参考スコア（独自算出の注目度）: 60.95802802905149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language pre-training and predictive world modeling provide robot policies with rich semantic and dynamic visual features, but their native action and visual-prediction objectives may omit critical physical and task structure while retaining control-irrelevant visual redundancy. We call this mismatch between visual richness and control utility the action-sufficiency gap. We investigate whether this gap can be bridged by guiding intermediate features to preserve three control-relevant structure in robotic manipulation: geometry governing motion feasibility, affordance encoding instruction-relevant entities, and goals grounding instructions in task-relevant regions. To this end, we present GIFT (Guided Intermediate Feature Training), an architecture-flexible framework for learning intermediate features that translates these structures into training-time constraints through geometry alignment, affordance prediction, and goal-region reconstruction. We instantiate GIFT in a Vision-Language-Action (VLA) policy, a direct-action World-Action Model (WAM), and an inverse-dynamics WAM while retaining each model's action formulation. Under zero-shot transfer to LIBERO-Plus, GIFT-VLA, GIFT-WAM-Fast, and GIFT-WAM-IDM outperform StarVLA-OFT, Fast-WAM, and Fast-WAM-IDM by 4.6, 12.6, and 5.2 points, reaching 79.6%, 72.6%, and 87.8%, respectively. On RoboCasa, the three GIFT variants reach 61.4%, 83.6%, and 82.3%, outperforming their counterparts by 12.6, 9.0, and 8.4 points, respectively. Together, these results establish learning functionally structured intermediate features as a reusable principle across model-specific action formulations, with especially large gains on articulated-object tasks and high-precision real-world manipulation under unseen visual and spatial perturbations. Project page: https://openphoenix-team.github.io/GIFT-pages.
• Abstract（参考訳）: 視覚言語による事前学習と予測的世界モデリングは、豊かな意味的および動的視覚的特徴を持つロボットポリシーを提供するが、それらのネイティブアクションと視覚的予測目的は、制御に関係のない視覚的冗長性を維持しながら、重要な物理的およびタスク構造を省略する可能性がある。 視覚的豊かさと制御ユーティリティのミスマッチをアクション・十分ギャップと呼びます。 ロボット操作における3つの制御関連構造を維持するために中間的特徴を導くことにより,このギャップを橋渡しできるかどうかを検討する。 この目的のために、GIFT(Guided Intermediate Feature Training)は、中間的特徴を学習し、それらの構造を幾何学的アライメント、アベイランス予測、目標地域再構築を通じてトレーニング時間制約に変換する、アーキテクチャフレキシブルなフレームワークである。 我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。 LIBERO-Plus、GIFT-VLA、GIFT-WAM-Fast、GIFT-WAM-IDMはStarVLA-OFT、Fast-WAM、Fast-WAM-IDMを4.6、12.6、Fast-WAM-IDMにそれぞれ79.6%、72.6%、87.8%で上回った。 RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。 これらの結果から, 視覚的・空間的摂動下での視覚的・空間的摂動の高精度な実世界の操作において, モデル特異的な行動定式化にまたがる再利用可能な原理として, 機能的に構造化された中間的特徴の学習が確立された。 プロジェクトページ:https://openphoenix-team.github.io/GIFT-pages。

関連論文リスト

• AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
  AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。 AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-04T13:28:51Z)
• AttenA+: Rectifying Action Inequality in Robotic Foundation Models [38.61160855341111]
  本稿では,速度駆動型アクションアテンションを通じて,運動学的に重要なセグメントを優先するアーキテクチャに依存しないフレームワークであるAttenA+を紹介する。 我々の研究は、本質的な行動列の構造的前提をマイニングすることが、標準的なスケーリング法則に非常に効率的で物理学的な補完をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2026-05-13T13:55:37Z)
• 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)
• Beyond World-Frame Action Heads: Motion-Centric Action Frames for Vision-Language-Action Models [52.17964309142613]
  Vision-Language-Action(VLA)モデルは、強力なバックボーン、より広範な事前トレーニング、より大きなデモデータセットで急速に進歩している。 動作中心アクションフレーム(MCF)とプロトタイプベースのアクションパラメータ化を備えた軽量アクションヘッドである textbfMCF-Proto を提案する。 動作ヘッドに軽量な幾何学的・構成的構造を加えることで、VLAポリシーがロボット操作行動の組織化と一般化の方法を大幅に改善できる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-12T09:03:39Z)
• SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation [43.77409401429281]
  VLA(Vision-Language-Action)モデルは、ロボット制御の可能性を秘めているが、複雑な家庭環境におけるパフォーマンスは、まだ準最適である。 モバイル操作には、グローバルなシーンレイアウト、きめ細かい形状、高次元連続的な動作の推論が必要である。 知覚と表現を強化する空間的接地型VLAモデルの学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T03:44:25Z)
• 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)
• TC-IDM: Grounding Video Generation for Executable Zero-shot Robot Motion [38.88993836311246]
  ジェネレーティブワールドモデルは、汎用的なエンボディAIに代わる有望な選択肢を提供する。 視覚計画と身体制御のギャップを埋めるツール中心逆ダイナミクスモデル(TC-IDM)を提案する。 実世界の評価では、TC-IDMを用いた世界モデルの平均成功率は61.11パーセント、単純タスクは77.7%、ゼロショット変形可能なオブジェクトタスクは38.66%である。
  論文  参考訳（メタデータ） (2026-01-26T10:06:56Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)

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。