論文の概要: MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot Manipulation

• arxiv url: http://arxiv.org/abs/2609.25756v1
• Date: Tue, 22 Sep 2026 06:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.258154
• Title: MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot Manipulation
• Title（参考訳）: MedVLA: クローズドループ精密医療ロボットマニピュレーションのための階層型ビジョンランゲージ・アクション・フレームワーク
• Abstract要約: 我々は,高レベルのマルチモーダル推論と低レベルの関数制約実行を結合した階層型フレームワークであるMedVLAを提案する。 異なるマルチモーダルな大モデルバックボーン上に構築されたMedVLAは、微調整後のパフォーマンスを一貫して改善する。 これらの結果は, 機能レベルの制約のある構造化推論が, 展開可能な精密医療ロボティクスへの実践的経路であることを示唆している。
• 参考スコア（独自算出の注目度）: 2.861724298669778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision medical robotics demands adaptive decision-making under strict safety, interpretability, and execution constraints. Although recent Vision-Language-Action (VLA) models show strong multimodal reasoning ability, their continuous action generation paradigm is not well suited for precision medical tasks, where reliable closed-loop operation may also depend on non-action system function calls. To address this gap, we propose MedVLA, a hierarchical framework that couples high-level multimodal reasoning with low-level function-constrained execution. We further introduce a scalable multi-agent pipeline to generate skill-oriented chain-of-thought(CoT) data for structured training. Built on different multimodal large-model backbones, MedVLA consistently improves performance after fine-tuning, demonstrating the effectiveness of the proposed framework across model variants. Under identical initial conditions, we perform 100 closed-loop flexible electrode implantation trials. The results show that MedVLA achieves a 95.0\% task success rate, substantially outperforming representative VLA baselines, including OpenVLA (8\%) and $π_0$ (15\%), in accuracy, stability, and safety. These results indicate that structured reasoning with constrained function-level execution is a practical route toward deployable precision medical robotics.
• Abstract（参考訳）: 精密医療ロボティクスは、厳格な安全性、解釈可能性、実行制約の下で適応的な意思決定を要求する。 近年のVision-Language-Action(VLA)モデルは強力なマルチモーダル推論能力を示しているが、その連続アクション生成パラダイムは精度の高い医療タスクには適していない。 このギャップに対処するため、我々は、高レベルのマルチモーダル推論と低レベルの関数制約実行を結合した階層型フレームワークであるMedVLAを提案する。 さらに、構造化トレーニングのためのスキル指向連鎖(CoT)データを生成するスケーラブルなマルチエージェントパイプラインについても紹介する。 異なるマルチモーダルな大モデルバックボーン上に構築されたMedVLAは、微調整後のパフォーマンスを一貫して改善し、モデル変種間で提案されたフレームワークの有効性を実証する。 同一初期条件下では, 閉ループフレキシブル電極植込み試験を100回行った。 その結果, OpenVLA (8\%) や$π_0$ (15\%) などの代表VLAベースラインよりも精度, 安定性, 安全性が高く, 95.0\%のタスク成功率が得られることがわかった。 これらの結果は, 機能レベルの制約のある構造化推論が, 展開可能な精密医療ロボティクスへの実践的経路であることを示唆している。

関連論文リスト

• Trajectory Divergence Horizon Decision for Reliable Dual-Arm Surgical Subtask Manipulation [12.14656738439713]
  Vision-Language-Action(VLA)モデルは、視覚知覚、言語接地、アクション生成を統合する統一されたフレームワークを提供する。 既存のVLAポリシーは固定長のオープンループアクションシーケンスに依存しており、シーン条件の変更は外科手術におけるエラーの蓄積や潜在的なリスクにつながる可能性がある。 ステップワイズ動作の信頼性を推定するテストタイム機構であるトラジェクティブディバージェンス水平決定(TDHD)を提案する。
  論文  参考訳（メタデータ） (2026-08-10T05:04:02Z)
• STRONG-VLA: Decoupled Robustness Learning for Vision-Language-Action Models under Multimodal Perturbations [26.063335767640083]
  本稿では、VLA(Vision-Language-Action)モデルのための切り離された微調整フレームワークSTRONG-VLAを提案する。 ステージIでは、モデルは困難が増す多モーダル摂動のカリキュラムに晒される。 ステージIIでは、モデルはクリーンなタスク分布と整合して、堅牢性を維持しながら実行の忠実さを回復します。 LIBEROベンチマークの実験では、STRONG-VLAは複数のVLAアーキテクチャにおけるタスク成功率を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-11T06:37:47Z)
• DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
  DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。 軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
  論文  参考訳（メタデータ） (2026-03-31T15:02:27Z)
• CARE: Towards Clinical Accountability in Multi-Modal Medical Reasoning with an Evidence-Grounded Agentic Framework [29.22693846221723]
  マルチモーダル・メディカル・推論における,エビデンス・グラウンドド・エージェント・フレームワークによる臨床説明可能性の向上について紹介する。 CAREはタスクを調整されたサブモジュールに分解し、ショートカット学習と幻覚を減らす。 私たちのCARE-Flowは、同じサイズ(10B)のSOTA(State-of-the-art)よりも平均精度を10.9%向上させる
  論文  参考訳（メタデータ） (2026-03-02T08:38:37Z)
• 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)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)
• Lightweight Structured Multimodal Reasoning for Clinical Scene Understanding in Robotics [4.253383204461325]
  映像に基づくシーン理解のための軽量なエージェント・マルチモーダル・フレームワークを提案する。 チェーンオブ思考の推論、音声ビジョンの融合、動的ツールの実行をサポートする。
  論文  参考訳（メタデータ） (2025-09-26T07:49:49Z)
• 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)
• 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)

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。