論文の概要: Beyond Appearance Shifts: Task-Semantic Action Calibration for VLA Models
- arxiv url: http://arxiv.org/abs/2609.23650v1
- Date: Sun, 20 Sep 2026 13:54:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.886253
- Title: Beyond Appearance Shifts: Task-Semantic Action Calibration for VLA Models
- Title（参考訳）: 出現シフトを超えて: VLAモデルのためのタスクセマンティックアクションキャリブレーション
- Abstract要約: 凍結ベースVLA上に構築されたタスクセマンティックアクションキャリブレーションフレームワークであるBAS-VLAを提案する。
BAS-VLAは、OpenPI-pi0.5 / LIBERO-Object Milk-Swapベンチマークにおいて、クリーン(98.0%)とセマンティクス保存条件(97.5%)で高い成功を維持していることを示す。
これらの結果は、信頼性の高いVLA動作は、外見を超えて明示的なタスク・セマンティック・アクション・キャリブレーションに移行する必要があることを強調している。
- 参考スコア（独自算出の注目度）: 5.6961461689283235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models have achieved strong performance in embodied manipulation, but still lack a clear mechanism to balance behavioral stability with task-semantic sensitivity. We identify two complementary failure modes. Under task-preserving changes, where task semantics remain unchanged but scene appearance varies (e.g., style, illumination, clutter, or paraphrasing), policies often exhibit unnecessary action drift. Conversely, under semantic-breaking changes, where key task semantics such as the target object or constraint are altered, policies frequently fail to produce sufficiently distinct behaviors and instead follow the original trajectory. To address this gap, we propose BAS-VLA, a task-semantic action calibration framework built on top of a frozen base VLA. BAS-VLA adopts a breaking-centered calibration core as the default path, and introduces a selective evidence-gated preserving auxiliary that activates only when nuisance variation is detected while task semantics remain consistent. On the OpenPI-pi0.5 / LIBERO-Object Milk-Swap benchmark, BAS-VLA maintains high success on clean (98.0%) and semantics-preserving conditions (97.5%), while reducing clean-criterion success to 0.0% under deliberate target-object swaps, demonstrating strong stale-task suppression and task-semantic separation. On validated style-preserving shifts, it improves success from 42% to 70% without degrading clean performance. These results highlight that reliable VLA behavior requires moving beyond appearance robustness toward explicit task-semantic action calibration.
- Abstract（参考訳）: 視覚言語反応モデル(VLA)は、具体的操作において高い性能を達成しているが、動作安定性とタスクセマンティック感度のバランスをとるための明確なメカニズムは依然として欠如している。
2つの相補的障害モードを特定します。
タスクのセマンティクスは変わらないが、シーンの外観は異なる(例えば、スタイル、照明、クラッタ、パラフレージング)。
逆に、ターゲットオブジェクトや制約のようなキータスクのセマンティクスが変更されるセマンティブブな変更では、ポリシーは十分に異なる振る舞いを生成しず、代わりに元の軌道に従う。
このギャップに対処するために,凍結ベースVLA上に構築されたタスク・セマンティック・アクション・キャリブレーション・フレームワークであるBAS-VLAを提案する。
BAS-VLAは、破壊中心のキャリブレーションコアをデフォルトパスとして採用し、タスクセマンティクスが一貫性を維持しながらニュアンス変動を検出した場合にのみ活性化する選択的エビデンスゲート保存補助を導入している。
OpenPI-pi0.5 / LIBERO-Object Milk-Swapベンチマークでは、BAS-VLAはクリーン (98.0%) とセマンティックス保存条件 (97.5%) で高い成功を維持している。
検証済みのスタイル保存シフトでは、クリーンパフォーマンスを低下させることなく、成功率を42%から70%に向上させる。
これらの結果は、信頼性の高いVLA動作は、外見の堅牢性を超えて、明示的なタスク・セマンティック・アクション・キャリブレーションに移行する必要があることを強調している。
関連論文リスト
- Training-Free Action Correction for VLA Model Failures via Language Feedback [10.580497073867159]
我々は,タスクレベルの自然言語修正を政策重みを変更せずに付加的な行動大調整に変換するフレームワークであるCorrectVLAを提案する。
シミュレーションでは、CorrectVLAは、配信中のタスクとOODタスクの両方にわたる実行ミスアライメント障害を回復する。
ポリシーが正しい目標に達するが、アクションの規模を誤る実行ミスアライメント障害は、修正可能なサブセットを表す。
論文 参考訳（メタデータ） (2026-08-30T18:54:03Z) - ViTaR: Visuo-Tactile Residual Adaptation for Foundation VLA Manipulation [4.374415463111511]
動作生成型知覚入力から実行変調器への触覚フィードバックを再構成するViTaRを提案する。
接点の多い7つのタスクにまたがるUniVTACベンチマークでは、ViTaRは平均61.3%の成功を達成し、凍結したVLAベースよりも30.6ポイント改善された。
論文 参考訳（メタデータ） (2026-08-16T15:46:11Z) - TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors [54.12833308568015]
VLA(Vision-Language-Action)モデルは、エンドユーザが監査できないパイプラインを通じてデプロイされる。
小さな視覚トリガーは、障害が観測可能である前に、長い水平ロボットポリシーをリダイレクトする。
個別に提案した2つのVLA攻撃を通してこのギャップについて検討した。
論文 参考訳（メタデータ） (2026-07-14T09:43:52Z) - What to Ignore, What to React: Visually Robust RL Fine-Tuning of VLA Models [35.49750676677204]
強化学習(RL)の微調整は、ロボット操作におけるビジョン・ランゲージ・アクション(VLA)モデルの可能性を示している。
重要な課題は、標準的なタスク報酬がタスクの成功を監督するが、視覚的な変化がタスク非関連であるか、操作に必要な振る舞いを変更するか、限定的なガイダンスを提供することである。
PAIR-VLAは、PPO最適化中にペアの視覚的変形に対して2つの補助的な目的を加えることで、この問題に対処する。
論文 参考訳（メタデータ） (2026-05-13T07:15:37Z) - AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。
本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。
LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
論文 参考訳（メタデータ） (2026-04-20T04:25:24Z) - TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。
本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。
我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
論文 参考訳（メタデータ） (2026-03-25T17:56:32Z) - Overcoming Visual Clutter in Vision Language Action Models via Concept-Gated Visual Distillation [2.3099144596725565]
Concept-Gated Visual Distillation (CGVD) は、Vision-Language-Action (VLA) ポリシーを安定化するトレーニングフリーで、モデルに依存しない推論フレームワークである。
CGVDは、命令を安全かつ邪魔なセットにパースすることで動作し、2層ターゲットリファインメントプロセスを利用する。
本手法は, 乱雑な操作作業において, 最先端のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-11T02:21:02Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - From Knowing to Doing Precisely: A General Self-Correction and Termination Framework for VLA models [42.553888395227766]
本稿では、視覚言語アクション(VLA)モデルのための軽量でトレーニング不要なフレームワークを提案する。
VLA-SCTは自己修正制御ループとして動作し、データ駆動型アクションリファインメントと条件論理を組み合わせて終了する。
本手法は,LIBEROベンチマークのすべてのデータセットに対して一貫した改善を実現する。
論文 参考訳（メタデータ） (2026-02-02T08:44:40Z) - EVOLVE-VLA: Test-Time Training from Environment Feedback for Vision-Language-Action Models [57.75717492488268]
VLA(Vision-Language-Action)モデルは、大きな言語モデルを活用することで高度なロボット操作を行う。
Supervised Finetuning (SFT) では、タスク毎の数百のデモ、厳格に軌跡を記憶すること、デプロイメント条件がトレーニングから逸脱したときに適応できないことなどが求められている。
EVOLVE-VLA(EVOLVE-VLA)は、VLAが最小またはゼロのタスク固有のデモで環境相互作用を通じて継続的に適応できるテストタイムトレーニングフレームワークである。
論文 参考訳（メタデータ） (2025-12-16T18:26:38Z) - 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)
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。