論文の概要: DistAL: Distance-based Advantage Learning for VLA Fine-Tuning

• arxiv url: http://arxiv.org/abs/2609.18392v1
• Date: Wed, 16 Sep 2026 09:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.740844
• Title: DistAL: Distance-based Advantage Learning for VLA Fine-Tuning
• Title（参考訳）: DistAL:VLAファインチューニングのための距離ベースアドバンテージラーニング
• Abstract要約: 本稿では,DistAL(Distance-based Advantage Learning)を提案する。 本稿では,本手法を実ハードウェア上での一連のシミュレーション・ベンチマークとデクスタラスな双方向操作タスクで検証する。
• 参考スコア（独自算出の注目度）: 6.807036464725272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action models (VLAs) have trans- formed the field of robotic manipulation in recent years by combining the semantic understanding of LLMs with the precise control of flow-matching policies. Advantage conditioning is a recent technique that iteratively improves VLAs by training a value function on deployment data and using this to train an advantage-conditioned policy. Previous works have only applied simple, low-information success/failure rewards, which leave the value function unable to distinguish states of differing quality beyond how far along the task they appear. Motivated by an exploration of out-of-distribution (OOD) detection methods, we introduce Distance-based Advantage Learning (DistAL), which, by using an embedding space distance as a reward, produces a more informative value function and subsequently a higher downstream task success rate. We validate our method on a series of simulation benchmarks and dexterous bi-manual manipulation tasks on real hardware.
• Abstract（参考訳）: 近年、視覚言語アクションモデル(VLA)は、LLMの意味的理解とフローマッチングポリシーの正確な制御を組み合わせることで、ロボット操作の分野を形成している。 アドバンテージ・コンディショニング(Advantage Conditioning)は、デプロイメントデータ上で値関数をトレーニングし、これをアドバンテージ・コンディショナリーのトレーニングに使用することで、VLAを反復的に改善する手法である。 それまでの作業では、単純で低情報的な成功/失敗の報酬しか適用されていなかったため、価値関数は、そのタスクの出現範囲を超えて、異なる品質の状態を区別することができない。 本稿では,DistAL(Distance-based Advantage Learning, DistAL)を導入し, 空間距離を報奨として, より情報的価値関数を生成し, より下流のタスク成功率を向上する手法を提案する。 本稿では,本手法を実ハードウェア上での一連のシミュレーション・ベンチマークとデクスタラスな双方向操作タスクで検証する。

関連論文リスト

• TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models [49.463896453707065]
  VLA(Vision-Language-Action)モデルは目覚ましい進歩を遂げているが、展開時の分散シフトには弱いままである。 近年のVLAモデルは、プロンプトが政策行動の効率的なインターフェースとして機能することを示唆しているが、既存のプロンプトベースのステアリングは通常、外部ガイダンスに依存している。 VLAのテストタイムトレーニング(TTT)は、プロンプトの最適化によって実現可能か? 我々は、遅延プロンプト最適化(LPO)に基づくテスト時間トレーニングフレームワークであるTTT-VLAでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-06-02T04:10:39Z)
• 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)
• 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)
• Evolutionary Guided Decoding: Iterative Value Refinement for LLMs [41.56764640311065]
  イテレーティブ・バリュー・リファインメントはこのギャップを埋めるために設計された新しいフレームワークです。 より包括的で堅牢なトレーニング信号を提供するために、Value Explorationを採用している。 イテレーティブ・セルフリファインメントは、1回のイテレーションから改善された値関数を使用して、高品質なデータの生成をガイドします。
  論文  参考訳（メタデータ） (2025-03-04T07:49:10Z)
• Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success [100.226572152954]
  視覚言語アクションモデル(VLA)のための最適化された微調整レシピを提案する。 われわれのレシピはOpenVLAの4つのタスクスイートの平均成功率を76.5%から97.1%に引き上げ、アクション生成のスループットを26$times$に向上させた。 実世界の評価において、我々の微調整のレシピにより、OpenVLAはバイマガルALOHAロボット上でデクスタラスで高周波な制御タスクをうまく実行することができる。
  論文  参考訳（メタデータ） (2025-02-27T00:30:29Z)
• Efficient Off-Policy Learning for High-Dimensional Action Spaces [22.129001951441015]
  既存の非政治強化学習アルゴリズムは、しばしば明示的な状態-作用-値関数表現に依存している。 本稿では,非政治的な深層強化学習に対する批判として,状態値関数のみを利用する効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-07T12:45:51Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Learning Value Functions from Undirected State-only Experience [17.76847333440422]
  離散決定過程 (MDP) におけるマルコフ・クラーニング(英語版)は、作用空間の任意の洗練の下で同じ値関数を学習することを示す。 この理論的結果は、状態のみの経験から効果的な値関数を学習できるオフラインRL法であるLatent Action Q-learning(LAQ)の設計を動機付けている。 LAQは、基底真理行動を用いて学習した値関数と高い相関を持つ値関数を復元できることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:24:36Z)
• Deep transfer learning for partial differential equations under conditional shift with DeepONet [0.0]
  深層演算子ネットワーク(DeepONet)を用いた条件シフト下でのタスク固有学習のための新しいTLフレームワークを提案する。 条件埋め込み演算子理論に触発されて、ソース領域とターゲット特徴領域の間の統計的距離を測定する。 提案するTLフレームワークは,ソースドメインとターゲットドメインの間に大きな違いがあるにも関わらず,高速かつ効率的なマルチタスク演算子学習を可能にする。
  論文  参考訳（メタデータ） (2022-04-20T23:23:38Z)

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。