論文の概要: FluxVLA Engine: A One-Stop VLA Engineering Platform for Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2609.17210v1
- Date: Tue, 15 Sep 2026 13:59:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.550786
- Title: FluxVLA Engine: A One-Stop VLA Engineering Platform for Embodied Intelligence
- Title（参考訳）: FluxVLA Engine: 身体情報のためのワンストップVLAエンジニアリングプラットフォーム
- Abstract要約: $mathrmFluxVLA$はオープンで構成駆動のプラットフォームで、不均一なエンボディされたコンポーネントをデータからデプロイのワークフローに変換する。
$mathrmFluxVLA$は、データセット、ビジュアル言語および世界モデル、アクションヘッド、報酬または有利な学習、分散トレーニング、シミュレーション評価、最適化推論、ロボットオペレータのインターフェースを標準化する。
- 参考スコア（独自算出の注目度）: 21.911710953682256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models, world-action models (WAMs), and offline reinforcement learning methods are rapidly expanding the design space of embodied policies, yet turning these algorithms into reliable robot systems remains constrained by fragmented data formats, training stacks, evaluation protocols, inference runtimes, and embodiment-specific interfaces. We present $\mathrm{FluxVLA}$ Engine, an open, configuration-driven platform that turns heterogeneous embodied-policy components into a reproducible data-to-deployment workflow. Rather than introducing another policy model, $\mathrm{FluxVLA}$ standardizes interfaces for datasets, visual-language and world models, action heads, reward- or advantage-weighted learning, distributed training, simulation evaluation, optimized inference, and robot operators. The engine further integrates compositional dual-arm simulation, scalable automatic data generation, and model-decoupled human-in-the-loop rollout, takeover, correction collection, and reward annotation. For responsive physical execution, it combines Real-Time Chunking (RTC) with accelerated inference backends, lightweight remote GPU serving, and configurable trajectory post-processing. Together, these capabilities connect offline learning, simulation validation, online correction, and real-robot execution through shared and auditable contracts. $\mathrm{FluxVLA}$ therefore targets the engineering bottlenecks separating promising embodied-learning algorithms from reproducible evaluation and dependable deployment. Code is available at https://github.com/FluxVLA/FluxVLA
- Abstract（参考訳）: 視覚言語行動モデル(VLA)モデル、世界行動モデル(WAM)、オフライン強化学習手法は、具体化ポリシーの設計領域を急速に拡大しているが、これらのアルゴリズムを信頼性のあるロボットシステムに変換するには、断片化されたデータフォーマット、トレーニングスタック、評価プロトコル、推論ランタイム、エンボディ化固有のインターフェースが依然として制約されている。
我々は、不均一なエンボディされたコンポーネントを再現可能なデータ-デプロイワークフローに変換するオープンな構成駆動プラットフォームである、$\mathrm{FluxVLA}$ Engineを紹介します。
他のポリシーモデルを導入するのではなく、$\mathrm{FluxVLA}$はデータセット、ビジュアル言語および世界モデル、アクションヘッド、報酬または有利な学習、分散トレーニング、シミュレーション評価、最適化推論、ロボットオペレータのインターフェースを標準化する。
エンジンはさらに、合成デュアルアームシミュレーション、スケーラブルな自動データ生成、モデル分離されたヒューマン・イン・ザ・ループのロールアウト、テイクオーバ、修正コレクション、報酬アノテーションを統合する。
レスポンシブな物理実行のために、リアルタイムチャンキング(RTC)と、高速化された推論バックエンド、軽量なリモートGPUサービス、設定可能なトラジェクトリ後処理を組み合わせる。
これらの機能は、オフライン学習、シミュレーション検証、オンライン修正、共有および監査可能なコントラクトによるリアルタイムロボット実行を結合する。
したがって、$\mathrm{FluxVLA}$は、再現可能な評価と信頼性のあるデプロイメントから、有望な実施型学習アルゴリズムを分離するエンジニアリングボトルネックをターゲットにしている。
コードはhttps://github.com/FluxVLA/FluxVLAで入手できる。
関連論文リスト
- RLinf-USER: A Unified and Extensible System for Real-World Online Policy Learning in Embodied AI [44.06975079994439]
我々は,現実のオンライン政策学習のための統一およびシストEmであるUSERを紹介する。
UERは,複数ロボットの協調,異種マニピュレータ,大規模モデルとのエッジクラウドコラボレーション,長時間の非同期トレーニングを可能にしている。
シミュレーションと実世界の両方で、USERはCNN/MLPのオンライン模倣や強化学習、生成ポリシー、および統合パイプライン内での大規模ビジョンアクション(VLA)モデルを可能にしている。
論文 参考訳（メタデータ） (2026-02-08T06:23:43Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - Adaptive Policy Synchronization for Scalable Reinforcement Learning [0.0]
ClusterEnvは、分散環境実行のための軽量インターフェースである。
オンプレミスとオフラインの両方をサポートし、最小限の変更で既存のトレーニングコードに統合され、クラスタ上で効率的に実行される。
論文 参考訳（メタデータ） (2025-07-15T05:07:12Z) - Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。
具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
論文 参考訳（メタデータ） (2025-04-06T03:23:48Z) - Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。
提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。
ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
論文 参考訳（メタデータ） (2024-09-12T11:50:06Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Real-time End-to-End Federated Learning: An Automotive Case Study [16.79939549201032]
本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。
その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
論文 参考訳（メタデータ） (2021-03-22T14:16:16Z) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳（メタデータ） (2021-01-28T15:10:22Z) - Learning Centric Wireless Resource Allocation for Edge Computing:
Algorithm and Experiment [15.577056429740951]
Edge Intelligenceは、センサー、通信、コンピューティングコンポーネントを統合し、さまざまな機械学習アプリケーションをサポートする、新興ネットワークアーキテクチャである。
既存の方法は2つの重要な事実を無視している: 1) 異なるモデルがトレーニングデータに不均一な要求を持っている; 2) シミュレーション環境と実環境との間にはミスマッチがある。
本稿では,複数のタスクの最悪の学習性能を最大化する学習中心の無線リソース割り当て方式を提案する。
論文 参考訳（メタデータ） (2020-10-29T06:20:40Z)
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。