Fugu-MT 論文翻訳(概要): ICI-VLA: In-Context Imitation with Spatiotemporally Aligned Demonstrations for Vision-Language-Action Models

論文の概要: ICI-VLA: In-Context Imitation with Spatiotemporally Aligned Demonstrations for Vision-Language-Action Models

arxiv url: http://arxiv.org/abs/2609.07581v1
Date: Mon, 07 Sep 2026 14:55:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 21:41:52.815294
Title: ICI-VLA: In-Context Imitation with Spatiotemporally Aligned Demonstrations for Vision-Language-Action Models
Title（参考訳）: ICI-VLA:視覚・言語・行動モデルのための時空間適応型デモによるインテクスト模倣
Abstract要約: ICI-VLA(ICI-VLA)は、テキストアクション型VLMと、インテキストによる実演によるテスト時間適応機能を備えたトレーニング・検索フレームワークである。 ICI-VLAは、オフライントレーニング中のみパラメータを更新する。
参考スコア（独自算出の注目度）: 9.31323513616827
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Vision-Language-Action (VLA) policies are commonly adapted to new manipulation settings through additional gradient updates, which limits rapid deployment when task-specific data or compute is scarce. We present ICI-VLA, a training and retrieval framework that equips a text-action VLM with few-shot test-time adaptation through in-context demonstrations. Unlike mainstream VLA designs based on action-specific multimodal fusion, ICI-VLA retains the native text-generation interface. ICI-VLA updates its parameters only during offline training; at inference, the policy remains fixed and conditions action generation on retrieved micro-demonstrations. The framework decomposes long trajectories into short, semantically labeled examples and trains an RD-Encoder with positives mined by Dynamic Time Warping (DTW), aligning the retrieved context with the phase and geometry of the current subtask. We further introduce Target Action Masking, a context-corruption objective designed to reduce direct action copying and increase reliance on the current observation. ICI-VLA reaches average success rates of 97.7% on LIBERO and 60.4% on RoboTwin 2.0, exceeding the highest reported baseline average on RoboTwin 2.0 by 19.3 percentage points. It also achieves 83.2% across four physical tasks. These results indicate that a fixed VLA policy can benefit from conditioning on spatiotemporally aligned demonstrations at test time.
Abstract（参考訳）: VLA(Vision-Language-Action)ポリシは、タスク固有のデータや計算能力が不足している場合の迅速なデプロイメントを制限する、追加の勾配更新を通じて、新たな操作設定に一般的に適合する。 ICI-VLA(ICI-VLA)は、テキストアクション型VLMと、インテキストによる実演によるテスト時間適応機能を備えたトレーニング・検索フレームワークである。アクション固有のマルチモーダル融合に基づく主流のVLA設計とは異なり、ICI-VLAはネイティブテキスト生成インタフェースを維持している。 ICI-VLAは、オフライントレーニング中のみパラメータを更新する。このフレームワークは、長い軌跡を短く意味的にラベル付けされた例に分解し、Dynamic Time Warping (DTW)によって抽出された正の値でRDエンコーダを訓練し、取得したコンテキストと現在のサブタスクの位相と幾何学を一致させる。さらに、直接動作の複製を減らし、現在の観測に依存するよう設計した文脈破壊目標であるターゲットアクションマスキングについても紹介する。 ICI-VLAはLIBEROで97.7%、RoboTwin 2.0で60.4%、RoboTwin 2.0で報告されたベースライン平均を19.3%上回っている。また、4つの物理的タスクで83.2%を達成している。これらの結果から, 固定VLAポリシは, 時空間的に整列した実演をテスト時に条件付けすることのメリットが示唆された。

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)
VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction [8.801486222527984]
テストタイムトレーニング(TTT)は、ラベルのないデプロイメントストリームから視覚-言語-アクション(VLA)ポリシーを適用するための軽量な方法を提供する。 VLAポリシー(VANE)のための信頼性TTTフレームワークを導入する。 SimplerEnv WidowXでは、VANEは対応するTTベースラインよりも平均的な成功率を32ドルポイント向上させる。
論文参考訳（メタデータ） (2026-08-10T11:22:54Z)
VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
論文参考訳（メタデータ） (2026-05-28T14:36:53Z)
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)
AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。 AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
論文参考訳（メタデータ） (2026-01-27T14:10:39Z)
Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文参考訳（メタデータ） (2025-12-02T14:42:54Z)
AttackVLA: Benchmarking Adversarial and Backdoor Attacks on Vision-Language-Action Models [60.39655329875822]
VLA(Vision-Language-Action)モデルは、ロボットが自然言語の命令を解釈し、多様なタスクを実行することを可能にするモデルである。このようなモデルを攻撃することへの関心は高まっているが、既存の手法の有効性は依然として不明である。我々はVLA開発ライフサイクルに合わせて統合されたフレームワークであるAttackVLAを提案する。
論文参考訳（メタデータ） (2025-11-15T10:30:46Z)
ContextVLA: Vision-Language-Action Model with Amortized Multi-Frame Context [54.58057019521198]
時間的コンテキストを活用することは、部分的に観察可能なロボットタスクの成功に不可欠である。動作のクローン化に関する以前の研究は、複数フレームの観測で不整合のパフォーマンス向上を示した。マルチフレーム観測を効果的に活用することにより、ロボットタスクのパフォーマンスを堅牢に向上するポリシーモデルであるContextVLAを紹介する。
論文参考訳（メタデータ） (2025-10-05T15:29:57Z)
Interactive Post-Training for Vision-Language-Action Models [28.32397816792674]
RIPT-VLAは、シンプルでスケーラブルな強化学習に基づくインタラクティブなポストトレーニングパラダイムである。 RIPT-VLAファインチューンで訓練されたビジョン・ランゲージ・アクション(VLA)モデルは、わずかに二進的な成功報酬のみを使用する。 1つのデモだけで、RIPT-VLAは15イテレーションで97%の成功率で作業不能なSFTモデルを成功させることができる。
論文参考訳（メタデータ） (2025-05-22T17:59:45Z)

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。