論文の概要: CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation
- arxiv url: http://arxiv.org/abs/2609.23614v1
- Date: Sun, 20 Sep 2026 13:03:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 16:31:53.676585
- Title: CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation
- Title（参考訳）: CompVLA:コンタクトリッチマニピュレーションのための可変コンプライアンス・ビジョン・ランゲージ・アクションモデル
- Abstract要約: 我々は、RGBと言語入力から動きと剛性行列を共同で予測する統合VLAフレームワークCompVLAを紹介する。
提案手法は, 時間変動剛性および仮想変位プロファイルを出力する専用コンプライアンスエキスパートを用いて, 従来のアーキテクチャを補強する。
CompVLAは、様々なコンタクト豊富なタスクにおいて、最高の平均成功率を達成し、バニラとコンプライアンスを意識したVLAベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 22.389390666281162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Contact-rich manipulation, requiring robots to regulate not only motion but also how they yield to external forces, has emerged as the next frontier for Vision-Language-Action (VLA) models. However, existing VLAs output purely kinematic commands, degrading performance on real-world contact-rich tasks. In this paper, we introduce CompVLA, a unified VLA framework that jointly predicts motion and stiffness matrix from RGB and language inputs. Our approach augments the conventional architecture with a dedicated Compliance Expert, which outputs time-varying stiffness and virtual displacement profiles executed via geometric impedance control. We demonstrate that CompVLA achieves the highest average success rate across diverse contact-rich tasks, outperforming both vanilla and compliance-aware VLA baselines, with ablations confirming each component is essential.
- Abstract（参考訳）: コンタクトリッチな操作は、ロボットに動きだけでなく、それが外部の力にどのように作用するかを規制することを要求するもので、ビジョン・ランゲージ・アクション(VLA)モデルの次のフロンティアとして現れている。
しかし、既存のVLAは純粋にキネマティックなコマンドを出力し、実世界のコンタクトリッチタスクのパフォーマンスを低下させる。
本稿では、RGBと言語入力から動きと剛性行列を共同で予測する統合VLAフレームワークCompVLAを紹介する。
提案手法は,幾何学的インピーダンス制御による時間変動剛性と仮想変位プロファイルを出力する専用コンプライアンスエキスパートを用いて,従来のアーキテクチャを補強する。
CompVLAは,各コンポーネントが必須であることを確認するとともに,バニラとコンプライアンスを意識したVLAベースラインを上回り,多種多様なタスクにおける平均成功率を達成することを実証した。
関連論文リスト
- GuidedVLA: Specifying Task-Relevant Factors via Plug-and-Play Action Attention Specialization [101.37117235471709]
本稿では,タスク関連要因に着目したアクション生成を支援するフレームワークである GuidedVLA を紹介する。
私たちの中核的な洞察は、アクションデコーダをモノリシックな学習者としてではなく、機能的なコンポーネントの集合として扱うことです。
この結果から,アクションデコーダ学習を明示的に指導することが,より堅牢で汎用的なVLAモデルを構築する上で有望な方向であることが示唆された。
論文 参考訳（メタデータ） (2026-05-12T16:38:40Z) - SELF-VLA: A Skill Enhanced Agentic Vision-Language-Action Framework for Contact-Rich Disassembly [5.973392871392723]
視覚言語アクション(VLA)モデルは、標準的なロボット操作タスクにおいて印象的なパフォーマンスを示している。
明示的な分解スキルを統合したエージェントVLAフレームワークであるSELF-VLAを提案する。
論文 参考訳（メタデータ） (2026-03-10T22:30:28Z) - CompliantVLA-adaptor: VLM-Guided Variable Impedance Action for Safe Contact-Rich Manipulation [35.15898666328117]
本稿では,視覚言語モデル (VLM) を用いた最先端のビジョン・ランゲージ・アクション (VLA) モデルを拡張した CompliantVLA-adaptor を提案する。
既存のVLAシステム(例えば、RTT、Pi0.5、OpenVLA-oft)は典型的には出力位置を出力するが、力覚的な適応が欠如しており、接触、コンプライアンス、不確実性を含む物理的タスクにおいて、安全でないまたは失敗した相互作用をもたらす。
我々の手法はVLAのベースラインよりも複雑なコンタクトリッチなタスクのスイートの方が優れていることを実証する。
論文 参考訳（メタデータ） (2026-01-21T23:52:40Z) - CogVLA: Cognition-Aligned Vision-Language-Action Model via Instruction-Driven Routing & Sparsification [48.81250395291505]
最近のVision-Language-Actionモデルは、広範な後トレーニングを必要とし、高い計算オーバーヘッドをもたらす。
命令駆動型ルーティングとスパーシフィケーションを利用して効率と性能を両立させるフレームワークであるCogVLAを提案する。
CogVLAは、それぞれ97.4%と70.0%の成功率で最先端のパフォーマンスを達成し、トレーニングコストを2.5倍に、推論遅延を2.8倍に削減した。
論文 参考訳（メタデータ） (2025-08-28T17:50:58Z) - ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
ForceVLAは、新しいエンドツーエンド操作フレームワークである。
外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
論文 参考訳（メタデータ） (2025-05-28T09:24:25Z)
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。