論文の概要: VT-Bridge: Bridging Pretrained Foundation VLAs to VTLAs via Lightweight Residual Adaptation

• arxiv url: http://arxiv.org/abs/2609.22606v1
• Date: Fri, 18 Sep 2026 21:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:42:26.313832
• Title: VT-Bridge: Bridging Pretrained Foundation VLAs to VTLAs via Lightweight Residual Adaptation
• Title（参考訳）: VT-Bridge: 軽量残差適応による事前訓練VLAをVTLAにブリッジする
• Abstract要約: VT-Bridgeは、基礎となるVTLAをVTLAにブリッジする軽量な残留適応戦略である。 VLAバックボーンを微調整するには、タスク毎に最大50の視覚触覚デモが必要です。 平均して、VT-Bridgeはタスクの完了率を11.7%から、タスクレベルのVLAの微調整だけで62.9%に引き上げている。
• 参考スコア（独自算出の注目度）: 32.845803443737644
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-Tactile-Language-Action (VTLA) models have demonstrated clear advantages over Vision-Language-Action (VLA) models in contact-rich manipulation. However, developing VTLA models is severely constrained by the massive amounts of vision-tactile data and computational resources required. To address this bottleneck, we propose VT-Bridge, a lightweight residual adaptation strategy that bridges pretrained foundation VLAs to VTLAs. Rather than training a VTLA model from scratch or modifying the original architecture of a pretrained VLA, VT-Bridge employs an identical lightweight residual-adapter architecture across VLA backbones and uses backbone-specific weights to refine actions at the robot execution frequency. This design substantially lowers the data and training barriers. Specifically, it requires up to 50 vision-tactile demonstrations per task to fine-tune a VLA backbone and train a 0.98M-parameter residual adapter. Experiments with three representative VLA backbones ($π_0$, $π_{0.5}$, and SmolVLA) across four contact-rich manipulation tasks further demonstrate its consistent effectiveness across VLA architectures. On average, VT-Bridge raises the task completion rate from 11.7% with task-level VLA fine-tuning alone to 62.9%. Together, these findings demonstrate the broad applicability, effectiveness, and accessibility of VT-Bridge for contact-rich manipulation. The project page is available at https://hoxnocha.github.io/vt-bridge-web/.
• Abstract（参考訳）: Vision-Tactile-Language-Action(VTLA)モデルは、コンタクトリッチな操作において、Vision-Language-Action(VLA)モデルに対して明確な優位性を示している。 しかしながら、VTLAモデルの開発は膨大な量の視覚触覚データと計算資源によって厳しく制約されている。 このボトルネックに対処するために,基礎VLAをVTLAにブリッジする軽量残差適応戦略であるVT-Bridgeを提案する。 VT-Bridgeは、VTLAモデルをスクラッチからトレーニングしたり、事前訓練されたVLAのアーキテクチャを変更したりするのではなく、VLAバックボーンにまたがる同一の軽量残差適応アーキテクチャを使用し、バックボーン固有の重みを使ってロボットの実行頻度で動作を洗練させる。 この設計により、データとトレーニング障壁が大幅に低下する。 具体的には、VLAバックボーンを微調整し、0.98Mパラメータ残留アダプタを訓練するために、タスク毎に最大50個の視覚触覚デモを必要とする。 3つの代表的なVLAバックボーン(π_0$,$π_{0.5}$,およびSmolVLA)による4つのコンタクトリッチな操作タスクの実験により、VLAアーキテクチャ全体にわたって一貫した効果が証明された。 平均して、VT-Bridgeはタスクの完了率を11.7%から、タスクレベルのVLAの微調整だけで62.9%に引き上げている。 以上の結果から,VT-Bridgeのコンタクトリッチな操作に対する適用性,有効性,アクセシビリティが示唆された。 プロジェクトページはhttps://hoxnocha.github.io/vt-bridge-web/.com/で公開されている。

関連論文リスト

• $N_0$-VTLA: Scaling Vision-Tactile-Language-Action Model with Latent Tactile Tokens [0.0]
  本稿では,触覚知覚と触覚フィードバック制御を併用した接触リッチな微粒化操作が可能な視覚触覚言語反応(VTLA)基盤モデルを提案する。 本研究では, 触覚前訓練, 段階的触覚-パスウェイ統合, 利点条件付きオフラインポリシー改善からなる触覚統合のトレーニングレシピを提案する。
  論文  参考訳（メタデータ） (2026-07-26T17:58:47Z)
• Latent Bridge: Feature Delta Prediction for Efficient Dual-System Vision-Language-Action Model Inference [22.977205925809134]
  本稿では,VLM出力の時間差を推定する軽量モデルであるLatent Bridgeを提案する。 ラテントブリッジは95-100%の性能維持を実現し、VLMコールを50-75%削減し、エピソード当たり1.65-1.73xネットのスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-05-04T15:37:55Z)
• SimpleVLA-RL: Scaling VLA Training via Reinforcement Learning [81.7764584515496]
  VLA(Vision-Language-Action)モデルは、ロボット操作の強力なパラダイムとして登場した。 これらのモデルは2つの根本的な課題に直面している。 VLAモデルに適した効率的な強化学習フレームワークであるSimpleVLA-RLを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T17:59:17Z)
• 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)
• TinyVLA: Towards Fast, Data-Efficient Vision-Language-Action Models for Robotic Manipulation [32.406783380729024]
  VLA(Vision-Language-Action)モデルは、エンド・ツー・エンドの学習プロセスを通じて、視覚運動制御と命令理解において顕著な可能性を示している。 現在のVLAモデルは、推論中に遅くなり、大量のロボットデータに対して広範な事前トレーニングを必要としているため、重大な課題に直面している。 既存のVLAモデルに対して2つのアドバンテージを提供する,TinyVLAと呼ばれる,コンパクトな視覚言語アクションモデルを導入した。
  論文  参考訳（メタデータ） (2024-09-19T07:10:18Z)
• OpenVLA: An Open-Source Vision-Language-Action Model [131.74098076670103]
  我々は、970kの現実世界のロボットデモの多様なコレクションに基づいて訓練されたオープンソースのVLAであるOpenVLAを紹介した。 OpenVLAは汎用的な操作の強力な結果を示し、RT-2-X (55B) のようなクローズドモデルよりも16.5%高い絶対的なタスク成功率を示した。 モデルチェックポイント、微調整ノートブック、そしてOpen X-Embodimentデータセット上で大規模にVLAをトレーニングするためのビルトインサポートを備えたPyTorchをリリースしています。
  論文  参考訳（メタデータ） (2024-06-13T15:46:55Z)

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。