論文の概要: StrataVLA: Hierarchical and Efficient 3D Geometric Grounding for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2609.26071v1
• Date: Mon, 03 Aug 2026 13:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.855694
• Title: StrataVLA: Hierarchical and Efficient 3D Geometric Grounding for Vision-Language-Action Models
• Title（参考訳）: StrataVLA:視覚・言語・アクションモデルのための階層的かつ効率的な3次元幾何学的グラウンドリング
• Abstract要約: Vision-Language-Action (VLA)モデルは、大規模な視覚言語事前学習から強力なセマンティック・プレトレーニングを継承する。 既存のアプローチでは、明示的な深さやポイントクラウド入力を必要とするか、トレーニング時の監視に幾何学を圧縮するか、モデル入力やアクションエキスパートにのみ注入する。 階層的幾何学的接地のためのプラグアンドプレイフレームワークであるStrataVLAを紹介する。
• 参考スコア（独自算出の注目度）: 10.057878395484833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models inherit strong semantic priors from large-scale vision-language pretraining, yet remain limited in robotic manipulation by insufficient 3D spatial awareness. Existing approaches either require explicit depth or point-cloud inputs, compress geometry into training-time supervision, or inject it only at the model input or action expert, leaving the vision-language backbone without persistent access to task-relevant spatial information. We introduce StrataVLA, a plug-and-play framework for hierarchical geometric grounding. A frozen geometry foundation model extracts shared geometric features from RGB observations, while sparse, layer-specific Geometry Adapters allow visual representations at selected backbone depths to retrieve relevant geometric evidence through cross-attention. To make inference-time geometry practical, StrataVLA further combines task-aware routing with an LRU feature cache that exploits temporal redundancy during task manipulation. Experiments on LIBERO, SimplerEnv, and real-world manipulation demonstrate consistent gains over strong VLA baselines. StrataVLA achieves 98.53% average success on LIBERO suites while reducing geometry-model invocations by up to 88%, establishing hierarchical geometry injection as an effective and efficient way to achieve spatially grounded robotic control.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、大規模な視覚言語事前訓練から強力なセマンティクスを継承するが、3次元空間認識の不十分さによってロボット操作に制限される。 既存のアプローチでは、明示的な深さやポイントクラウド入力を必要とするか、トレーニング時の監視に幾何学を圧縮するか、あるいはモデル入力やアクションエキスパートにのみ注入する。 階層的幾何学的接地のためのプラグアンドプレイフレームワークであるStrataVLAを紹介する。 凍結した幾何学基礎モデルは、RGB観測から共有された幾何学的特徴を抽出するが、層固有の幾何学的適応器は、選択されたバックボーン深さでの視覚的表現を、クロスアテンションを通して関連する幾何学的証拠を検索することができる。 推論時の幾何学を実践するために、StrataVLAはさらにタスク認識ルーティングと、タスク操作中に時間的冗長性を利用するLRU機能キャッシュを組み合わせる。 LIBERO、SimplerEnv、実世界の操作の実験は、強いVLAベースラインよりも一貫した利得を示している。 StrataVLAは、LIBEROスイート上で98.53%の平均的な成功を達成し、幾何学モデルの呼び出しを最大88%削減し、空間的に接地されたロボット制御を実現する効果的な方法として階層的な幾何学的注入を確立した。

関連論文リスト

• Lift3D-VLA: Lifting VLA Models to 3D Geometry and Dynamics-Aware Manipulation [76.16065370700488]
  We introduced Lift3D-VLA, a unified VLA framework that equips models with explicit 3D point cloud reasoning and possible temporally coherent action generation。 我々は,Lift3D-VLAがMetaWorldとRLBenchの平均成功率を10.8%,11.1%向上したことを示す。
  論文  参考訳（メタデータ） (2026-07-07T17:59:47Z)
• GeoHAT: Geometry-Adaptive Hybrid Action Transformer for Mobile Manipulation [6.488530751190965]
  全体移動操作には移動基地とマニピュレータの調整が必要である。 我々は、シンプルな原理に基づいて構築された、エンドツーエンドの拡散ベースのフレームワークGeoHATを提案する。 ManiSkill-HABシミュレーションベンチマークの実験では、GeoHATが79.3%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-06-11T14:25:09Z)
• GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation [75.85672467847631]
  本稿では,3次元のコンパクトな特徴表現であるGeometry-Aware BEV (GA-BEV)を紹介する。 視覚的特徴を3次元空間に投影することで,RGB-D入力からBEV空間マップを構築する。 我々は,BEV空間に事前訓練された3Dファンデーションモデルの特徴を取り入れ,大規模3D再構築作業から学んだ構造的先行を注入する。
  論文  参考訳（メタデータ） (2026-05-21T06:20:17Z)
• PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction [57.63073414949329]
  我々は,階層的な3Dポイントクラウド表現をアクションデコーディングプロセスに直接統合する,デュアルシステム3D対応VLAポリシーであるPointACTを提案する。 PointACTは、効率的なボトルネックウィンドウ自己アテンションを備えたマルチスケールのポイントアクションインタラクション機構を採用し、進化するアクショントークンが局所的な幾何学的詳細とグローバルなシーン構造の両方に密に関与できるようにする。
  論文  参考訳（メタデータ） (2026-05-20T17:10:31Z)
• GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models [70.61152292499737]
  このギャップは、幾何学的事前の不足から生じるものではなく、訓練パラダイムの誤った調整から生じるものである、と我々は主張する。 既存のアプローチでは、通常、特徴の結合を示唆し、幾何学的な監督なしに下流のタスクを直接最適化する。 本稿では,下流適応前の構造知覚を明示的に活性化する幾何学的事前学習パラダイムであるGAP-MLLMを提案する。
  論文  参考訳（メタデータ） (2026-03-17T12:43:48Z)
• ObjSplat: Geometry-Aware Gaussian Surfels for Active Object Reconstruction [2.8012387812933035]
  Splatは、外観と正確な幾何学の両方でオブジェクトを再構築する活発な再構築フレームワークである。 Splatは、物理的に一貫した完全性を数分で生成し、最先端のアプローチと比較して、再現精度と表面完全性に優れる。
  論文  参考訳（メタデータ） (2026-01-11T17:14:33Z)
• 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)
• From Spatial to Actions: Grounding Vision-Language-Action Model in Spatial Foundation Priors [54.84863164684646]
  既存の視覚言語アクション(VLA)モデルは3Dの現実世界で機能するが、通常は2Dエンコーダ上に構築される。 本研究では,アクションヘッドにリッチな3次元空間トークンを注入する新しいパラダイムであるFALCONを紹介する。
  論文  参考訳（メタデータ） (2025-10-20T11:26:45Z)

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。