Fugu-MT 論文翻訳(概要): SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation

論文の概要: SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation

arxiv url: http://arxiv.org/abs/2609.16641v1
Date: Tue, 15 Sep 2026 05:02:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.348593
Title: SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation
Title（参考訳）: SAVLA:ロボットマニピュレーションのための対称性を考慮した視覚・言語・行動モデル
Abstract要約: 視覚言語アクション(VLA)モデルは、言語条件のロボット操作において支配的なパラダイムとなっている。本研究では、ロバストかつデータ効率のよいポリシー学習のための、エンドツーエンドの対称性を意識したVLAモデルであるSAVLAを提案する。
参考スコア（独自算出の注目度）: 25.57262196777498
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision-language-action (VLA) models have become the dominant paradigm for language-conditioned robot manipulation. However, although images and language instructions inherently encode geometric information, VLAs acquire their spatial competence purely from demonstrations. As a result, they are reliable only within the range of scene poses that the demonstrations cover. We propose SAVLA, an end-to-end symmetry-aware VLA model for robust and data-efficient policy learning. Our approach keeps the pretrained vision-language backbone entirely frozen while combining it with an equivariant flow-matching action head and a learned canonicalizer. The head decomposes its state, action, and conditioning inputs into invariant and equivariant channels, and preserves this typing throughout all of its layers. The canonicalizer transforms oblique-view images into a canonical frame and rotates the geometric conditions consistently. We evaluate our model on LIBERO. Compared with the GR00T N1.5 baseline, SAVLA improves the success rate averaged over all four LIBERO suites by 5.1 points and increases the mean success rate under rotation on LIBERO-Goal from 41.5% to 90.4%.
Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、言語条件のロボット操作において支配的なパラダイムとなっている。しかしながら、画像と言語命令は本質的に幾何学的情報をエンコードするが、VLAはデモから純粋に空間的能力を得る。結果として、それらはデモがカバーするシーンのポーズの範囲内でのみ信頼性がある。本研究では、ロバストかつデータ効率のよいポリシー学習のための、エンドツーエンドの対称性を意識したVLAモデルであるSAVLAを提案する。提案手法では,事前学習した視覚言語バックボーンを均質なフローマッチング動作ヘッドと学習用正準化器と組み合わせて凍結する。ヘッドは入力の状態、動作、条件を不変かつ同変なチャネルに分解し、全ての層で型付けを保持する。正準化器は斜め視画像を正準フレームに変換し、幾何条件を一貫して回転させる。 LIBEROのモデルについて検討した。 GR00T N1.5ベースラインと比較して、SAVLAは4つのLIBEROスイートの平均成功率を5.1ポイント改善し、LIBERO-Goalの平均成功率を41.5%から90.4%に向上させた。

関連論文リスト

Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment [42.503300854478795]
Anchor-Alignはロボットのデモにおける視覚言語アクションポリシーを改善している。凍結したVLMコピーから層幅の表現を蒸留し、このドリフトを防ぐ。各アクションターゲットを離散的なモーション指向ラベルに変換し、共同で言語とアクション予測を訓練する。
論文参考訳（メタデータ） (2026-07-15T04:13:54Z)
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)
DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。 DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
論文参考訳（メタデータ） (2026-03-11T06:03:53Z)
Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation [58.21084913574353]
我々は,世界力学を暗黙的に理解したVLAモデルを実現するシンプルなアプローチであるPri4Rを紹介する。 Pri4Rは3Dトラックを予測する軽量なポイントトラックヘッドでVLAを強化している。 3Dポイントトラック予測は,アクションワールドダイナミクスを学習するための効果的な監視対象であることを示す。
論文参考訳（メタデータ） (2026-03-02T07:23:53Z)
IVRA: Improving Visual-Token Relations for Robot Action Policy with Training-Free Hint-Based Guidance [35.90972175891154]
多くのVision-Language-Action (VLA)モデルは、画像パッチを1Dトークンシーケンスに平坦化し、正確な操作に必要な2D空間キューを弱める。我々は,モデルに組み込まれた視覚で既に利用可能な親和性ヒントを活用することにより,空間的理解を改善する軽量なトレーニング不要な手法を提案する。
論文参考訳（メタデータ） (2026-01-22T18:57:13Z)
CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos [73.51386721543135]
本稿では,映像から視覚的潜伏空間をロボット軌道から受容的潜伏空間に整列させるフレームワークであるContrastive Latent Action Pretraining (CLAP)を提案する。 CLAPは、ビデオの遷移を量子化され、物理的に実行可能なコードブックにマッピングする。本稿では,命令追従やオブジェクトの一般化に優れた自己回帰モデルであるCLAP-NTPと,高頻度かつ高精度な操作のために設計されたRectified FlowベースのポリシーであるCLAP-RFの両方を提供する二重形式VLAフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-07T16:26:33Z)
VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling [60.341503853471494]
本稿では,新しいカメラ視点と視覚摂動の下で,視覚言語行動モデルが急激に劣化することを示す。本稿では,軽量で学習可能な更新によって視覚表現を再分類するワンショット適応フレームワークを提案する。
論文参考訳（メタデータ） (2025-12-02T16:16:13Z)
Model-agnostic Adversarial Attack and Defense for Vision-Language-Action Models [25.45513133247862]
VLA(Vision-Language-Action)モデルは、ロボット学習において革命的な進歩を遂げている。この進歩にもかかわらず、その敵意の強固さは未解明のままである。本稿では,VLAモデルに対する敵パッチ攻撃と対応する防御戦略の両方を提案する。
論文参考訳（メタデータ） (2025-10-15T07:42:44Z)
Unified Vision-Language-Action Model [86.68814779303429]
我々は、視覚、言語、行動信号を離散トークンシーケンスとして自動回帰モデル化する、統一的でネイティブなマルチモーダルVLAモデルUniVLAを提案する。提案手法は, CALVIN, LIBERO, Simplenv-Bridge など, 広く使用されているシミュレーションベンチマークにまたがって, 最新の結果を設定する。さらに、現実世界のALOHA操作と自律運転に適用可能であることを実証する。
論文参考訳（メタデータ） (2025-06-24T17:59:57Z)
OG-VLA: 3D-Aware Vision Language Action Model via Orthographic Image Generation [68.11862866566817]
3D対応のポリシーは、精密なロボット操作タスクにおいて最先端のパフォーマンスを実現するが、見えない指示、シーン、オブジェクトへの一般化に苦慮している。我々は,視覚言語行動モデル(VLA)の一般化強度と3D対応ポリシーの堅牢性を組み合わせた,新しいアーキテクチャと学習フレームワークであるOG-VLAを紹介する。
論文参考訳（メタデータ） (2025-06-01T22:15:45Z)
CogACT: A Foundational Vision-Language-Action Model for Synergizing Cognition and Action in Robotic Manipulation [100.25567121604382]
VLA(Vision-Language-Action)モデルは、言語誘導されたタスクの実行と、目に見えないシナリオへの一般化の観点から、ロボット操作を改善した。 VLM(Vision-Language-Models)に基づく新しい高度なVLAアーキテクチャを提案する。我々のモデルはタスクパフォーマンスにおいて既存のVLAをはるかに上回るだけでなく、新しいロボットへの顕著な適応と、見えないオブジェクトや背景への一般化も示している。
論文参考訳（メタデータ） (2024-11-29T12:06:03Z)

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。