論文の概要: FAN: Foresight Action Normalization for Continual Adaptation of Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2609.21358v1
• Date: Fri, 18 Sep 2026 06:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.875961
• Title: FAN: Foresight Action Normalization for Continual Adaptation of Vision-Language-Action Models
• Title（参考訳）: FAN:視覚・言語・行動モデルの連続適応のための前向き行動正規化
• Abstract要約: 大規模でクローズドなデータセットで事前訓練されたビジョンランゲージ・アクション(VLA)モデルは、多様なロボット操作タスクで顕著な成功を収めている。 しかし、彼らの長期のリアルタイムデプロイメントは、これまで学んだ能力を維持しながら、新しいスキルを継続的に獲得する必要がある。 実世界の4つのタスクストリームにまたがる5つの正規化戦略を評価する。 解析の結果、既存のプロトコルは、タスク間座標のドリフト、限られた動作カバレッジ、列車-テスト間の座標ミスマッチによって、深刻な障害モードを引き起こすことが明らかとなった。
• 参考スコア（独自算出の注目度）: 23.23356628659099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models pre-trained on large-scale, closed datasets have demonstrated remarkable success across diverse robotic manipulation tasks. However, their long-term real-world deployment necessitates continuously acquiring new skills while retaining previously learned capabilities. While pioneering works have explored continual VLA adaptation using techniques such as experience replay and reinforcement fine-tuning, they overlook a foundational mechanism: action normalization, which determines the underlying coordinate system in which policies perceive and execute physical actions. To bridge this gap, we systematically evaluate five normalization strategies across four real-world task streams covering single-arm and bimanual manipulation. Our analysis reveals that existing protocols induce severe failure modes due to inter-task coordinate drift, limited motion coverage, or train-test coordinate mismatches. Motivated by these insights, we formulate three core design principles: consistency, coverage, and causality (3C), and introduce foresight action normalization (FAN). FAN estimates normalization statistics once from a small, task-independent calibration set prior to continual learning and freezes them throughout adaptation. Across all evaluated streams, FAN achieves the highest performance and demonstrates consistent robustness, providing insightful guidance for building stable action representations in achieving effective lifelong VLA adaptation.
• Abstract（参考訳）: 大規模でクローズドなデータセットで事前訓練されたビジョンランゲージ・アクション(VLA)モデルは、多様なロボット操作タスクで顕著な成功を収めている。 しかし、彼らの長期のリアルタイムデプロイメントは、これまで学んだ能力を維持しながら、新しいスキルを継続的に獲得する必要がある。 先駆的な研究は、経験再現や強化微調整といった技術を用いて連続的なVLA適応を探求してきたが、それらは基本的なメカニズムであるアクション正規化を見落としている。 このギャップを埋めるために,本研究では,実世界の4つのタスクストリームにまたがる5つの正規化戦略を体系的に評価する。 解析の結果、既存のプロトコルは、タスク間座標のドリフト、限られた動作カバレッジ、列車-テスト間の座標ミスマッチによって、深刻な障害モードを引き起こすことが明らかとなった。 これらの洞察に動機付けられて、一貫性、カバレッジ、因果性(3C)という3つの中核的な設計原則を定式化し、フォレストアクション正規化(FAN)を導入します。 FANは、連続学習の前に設定された小さなタスク非依存のキャリブレーションから正規化統計を推定し、適応を通してそれらを凍結する。 評価された全てのストリームにおいて、FANは最高性能を達成し、一貫した堅牢性を示し、安定した動作表現を構築するための洞察力のあるガイダンスを提供し、有効寿命のVLA適応を実現する。

関連論文リスト

• Explicit Kinematic Guidance from Analytic Concepts for Vision-Language-Action Models [67.98329043920803]
  現在のヴィジュアル・ランゲージ・アクション(VLA)モデルは、主に2次元入力に依存し、リッチなオブジェクト構造情報や3次元物理世界固有のコモンセンス知識を無視している。 この欠損は、複雑な高精度な操作に対する空間的認識と適応性を制限する。 VLAのためのConcept Expertモジュールを構築し、オブジェクトを明示的でプログラム的な青写真として表現する実行可能なAnalytic Conceptを構築する。
  論文  参考訳（メタデータ） (2026-07-29T06:24:25Z)
• PHASER: Phase-Aware and Semantic Experience Replay for Vision-Language-Action Models [34.954808072081676]
  本稿では,アーキテクチャに依存しない連続学習フレームワークPHASERを紹介する。 フェーズRは、すべてのサブスキルに等しいメモリサポートを保証するために、フェーズ中心のキャパシティアロケーションを使用する。 また、教師なし動作信号変化点検出とVLMに基づくセマンティック検証を組み合わせた軽量パイプラインであるAuto-PCを統合する。
  論文  参考訳（メタデータ） (2026-06-02T13:04:15Z)
• AR-VLA: True Autoregressive Action Expert for Vision-Language-Action Models [36.00004339916959]
  本稿では、連続因果配列として行動を生成するスタンドアロンの自己回帰(AR)アクションエキスパートを提案する。 我々の研究は、スケーラブルでコンテキスト対応のアクション生成スキーマを導入し、効果的なロボットポリシーをトレーニングするための堅牢な構造基盤を提供します。
  論文  参考訳（メタデータ） (2026-03-10T18:03:29Z)
• 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)
• SCALE: Self-uncertainty Conditioned Adaptive Looking and Execution for Vision-Language-Action Models [21.133970394496327]
  VLA(Vision-Language-Action)モデルが汎用ロボット制御の有望なパラダイムとして登場した。 現在のテストタイムスケーリング(TTS)メソッドでは、追加のトレーニング、検証、複数フォワードパスが必要になるため、デプロイには実用的ではない。 我々は,「自己不確実性」に基づく視覚的知覚と行動を協調的に調節するシンプルな推論戦略を提案する。
  論文  参考訳（メタデータ） (2026-02-04T04:48:16Z)
• On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
  ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。 現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。 本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
  論文  参考訳（メタデータ） (2026-01-11T01:51:30Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)

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。