論文の概要: HABILIS Brain 0: Geometry-Change Supervision for Vision-Language-Action and Residual Flow Recovery
- arxiv url: http://arxiv.org/abs/2609.25558v1
- Date: Tue, 22 Sep 2026 01:43:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.17158
- Title: HABILIS Brain 0: Geometry-Change Supervision for Vision-Language-Action and Residual Flow Recovery
- Title（参考訳）: HABILIS Brain 0:Geometry-Change Supervision for Vision-Language-Action and Residual Flow Recovery
- Abstract要約: Geometry-Change VLA (GC-VLA) は、現在の観測から将来の幾何変化トークンを多視点で予測することを学ぶ。
GC-VLAは95.20%をLIBEROで達成し、GCRFによるGC-VLAは99.55%を達成している。
- 参考スコア（独自算出の注目度）: 19.040495040501956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action policies benefit from geometric supervision, but current-frame geometry alone does not explicitly describe the changes associated with manipulation. This design is motivated by the goal of learning an embodiment-agnostic visual interface that can be pretrained across robot and egocentric video before robot-specific action alignment. We introduce Geometry-Change VLA (GC-VLA), which learns to predict multiview future-current geometry-change tokens from current observations. Offline frame pairs define a nominal 0.5-second prediction horizon; future observations are used only to construct training targets. Stage 1 trains a geometry-change vision-language model (GC-VLM). Stage 2 introduces a continuous ActionExpert and aligns it with robot actions while stopping action-flow gradients at the VLM interface. Stage 3 enables these gradients to update the trainable VLM components jointly with the ActionExpert. Stage 4 freezes GC-VLA and applies Geometry-Conditioned Residual Flow (GCRF), using a binary intervention router and a single bounded residual velocity policy learned from closed-loop feedback. GC-VLA achieves 95.20% success on LIBERO, and GC-VLA with GCRF achieves 99.55%. Inference uses current observations and the learned GC representation without executing the offline target encoders.
- Abstract（参考訳）: 視覚言語アクションポリシーは幾何学的監督の恩恵を受けるが、現在のフレーム形状だけでは、操作に関連する変化を明示的に記述していない。
このデザインは、ロボット固有のアクションアライメントの前に、ロボットとエゴセントリックなビデオ間で事前トレーニング可能な、エンボディメントに依存しないビジュアルインターフェースを学ぶという目標によって動機付けられている。
本稿では,現在の観測結果から,多視点で将来の幾何学変化を予測できるGeometry-Change VLA(GC-VLA)を提案する。
オフラインフレームペアは、名目上の0.5秒の予測水平線を定義する。
ステージ1は幾何学変化視覚言語モデル(GC-VLM)を訓練する。
ステージ2では、連続的なActionExpertを導入し、VLMインターフェースでのアクションフロー勾配を停止しながら、ロボットアクションと整列する。
ステージ3では、これらのグラデーションによって、トレーニング可能なVLMコンポーネントをActionExpertと共同で更新することができる。
ステージ4はGC-VLAを凍結し、二元干渉ルータと閉ループフィードバックから学習した1つの有界残留速度ポリシーを用いてGeometry-Conditioned Residual Flow (GCRF)を適用する。
GC-VLAは95.20%をLIBEROで達成し、GCRFによるGC-VLAは99.55%を達成している。
推論は、オフラインターゲットエンコーダを実行することなく、現在の観測と学習したGC表現を使用する。
関連論文リスト
- FOCAL-VLA: Subtask-Guided Geometry Distillation and Implicit World Modeling for Vision-Language-Action Models [13.38163309445598]
FOCAL-VLAは、サブタスク誘導幾何蒸留と暗黙の世界モデリングを組み合わせたフレームワークである。
FOCAL-VLAはシミュレーションベンチマークと実世界の操作タスクの両方でベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-18T02:18:34Z) - GeoAAC: Geometry-Based Adaptive Action Chunking from Denoising Trajectories in VLA Policies [60.024414279431625]
アクションチャンキングは、VLA(Vision-Language-Action)ポリシーにおけるアクション生成と実行に広く使用されている。
フローベースのVLAポリシーのための幾何学に基づく適応的アクションチャンキング手法である textbfGeoAAC を提案する。
論文 参考訳（メタデータ） (2026-09-17T17:48:07Z) - GeomVLA: Unifying Scene, Motion, and Action in 3D [21.79752613135453]
ロボット中心の3D座標フレーム内での知覚,潜時シーンの予測,行動生成を統一するモデルであるGeomVLAを提案する。
提案手法は, 深度とカメラキャリブレーションを用いた空間的に接地された3次元シーントークンに, 予め訓練したVLM特徴を持ち上げる。
本稿では,3D におけるシーンポイントの移動の遅延表現を学習するタスク条件付きモジュールである 3D Scene Trajectory Denoiser を紹介する。
論文 参考訳（メタデータ） (2026-09-12T08:51:52Z) - VLAFlow: A Unified Training Framework for Vision-Language-Action Models via Co-training and Future Latent Alignment [17.204682551730205]
本稿では,VLAトレーニング目標を比較するための統合フローマッチングフレームワークであるVLAFlowを提案する。
我々は,同じpi0型アーキテクチャ,共有VLMバックボーン,アクションエキスパート,14次元アクション空間の4つのパラダイムを評価した。
論文 参考訳（メタデータ） (2026-07-02T01:38:16Z) - Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。
このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。
本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
論文 参考訳（メタデータ） (2026-06-07T08:57:51Z) - Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。
幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。
動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
論文 参考訳（メタデータ） (2026-05-12T09:21:29Z) - GLaD: Geometric Latent Distillation for Vision-Language-Action Models [106.53332923530245]
GLaDは、知識蒸留による事前学習中に3次元の幾何学的先行を組み込んだ幾何学的認識型視覚・言語・アクション(VLA)フレームワークである。
GLaDは4つのLIBEROタスクスイートの平均成功率は94.1%で、同じ事前トレーニングデータを使用するUniVLA(92.5%)を上回っている。
論文 参考訳（メタデータ） (2025-12-10T13:07:27Z) - Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。
GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。
BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
論文 参考訳（メタデータ） (2023-04-06T14:33:05Z)
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。