論文の概要: Direction-Scale Decomposition in Action Representation: Rethinking What to Tokenize for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2609.28865v1
• Date: Thu, 24 Sep 2026 00:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.616684
• Title: Direction-Scale Decomposition in Action Representation: Rethinking What to Tokenize for Vision-Language-Action Models
• Title（参考訳）: 行動表現における方向スケールの分解--視覚・言語・行動モデルで何を行うかを再考する
• Abstract要約: Direction-Scale Decomposition (DSD) は、トークン化の前に、方向への変換と回転を分解し、スケールコンポーネントをスケールするアクション表現である。 シミュレーションおよび実世界の操作において,一様結合(BIN)とBスプラインベースのトークン化器BEASTを用いてDSDを評価した。
• 参考スコア（独自算出の注目度）: 20.232326770917506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Action representation plays a central role in discrete-token vision-language-action (VLA) learning but remains underexamined. Under conventional pose-increment representations, action tokens are sensitive to execution speed and dataset-specific normalization, potentially obscuring geometric structure shared across demonstrations and datasets. We introduce Direction-Scale Decomposition (DSD), an action representation that decomposes translation and rotation increments into direction and scale components before tokenization. DSD isolates motion direction while retaining magnitudes in separate scale channels. We evaluate DSD with uniform binning (BIN) and BEAST, a B-spline-based tokenizer, in simulation and real-world manipulation under both single-dataset and mixed-dataset training. On LIBERO, DSD improves average success rates with both tokenizers. On SimplerEnv, DSD-BIN outperforms BIN by 10.3 percentage points in overall success rate under mixed-dataset training. Real-robot experiments further show gains both with and without robotics pretraining. These results support DSD as an effective action representation for discrete-token VLA models and suggest its potential to mitigate performance degradation when training on large and diverse dataset mixtures. Our project page with additional resources is available at https://vla-dsd.github.io/
• Abstract（参考訳）: 行動表現は、離散的視覚言語学習(VLA)において中心的な役割を果たすが、いまだ過小評価されている。 従来のポーズインクリメント表現では、アクショントークンは実行速度やデータセット固有の正規化に敏感であり、デモやデータセット間で共有される幾何学的構造を隠蔽する可能性がある。 トークン化に先立って,トランスレーションと回転インクリメントを方向へ分解し,コンポーネントをスケールするアクション表現であるDirection-Scale Decomposition(DSD)を導入する。 DSDは、異なるスケールのチャネルで大きさを維持しながら動き方向を分離する。 シミュレーションおよび実世界の操作において,B-splineベースのトークン化器であるBINとBEASTを併用したDSDの評価を行った。 LIBEROでは、DSDは両方のトークン化器で平均の成功率を改善する。 SimplerEnvでは、DSD-BINがBINを10.3%上回っている。 実際のロボット実験は、ロボティクスの事前訓練と非訓練の両方でさらに利益を示す。 これらの結果は,離散型VLAモデルの効果的な動作表現としてDSDをサポートし,大規模および多種多様なデータセット混合物のトレーニングにおいて,その性能劣化を緩和する可能性を示唆している。 追加リソースを備えたプロジェクトページはhttps://vla-dsd.github.io/で公開されている。

関連論文リスト

• 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)
• Efficient Learning of Sparse Representations from Interactions [9.381985901356922]
  従来の密集層の代わりに高次元スパース埋め込み層を学習するためのトレーニング戦略を提案する。 製品グレードの協調フィルタリングオートエンコーダELSAを改良し,推奨精度を損なうことなく,最大10倍の埋め込みサイズを実現した。
  論文  参考訳（メタデータ） (2026-02-10T16:09:58Z)
• Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
  VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。 標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。 本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
  論文  参考訳（メタデータ） (2026-02-10T12:25:43Z)
• OmniSAT: Compact Action Token, Faster Auto Regression [70.70037017501357]
  我々は、コンパクトで転送可能なアクション表現を学ぶOmni Swift Action Tokenizerを紹介する。 その結果、離散トークン化はトレーニングシーケンスを6.8$times$に短縮し、ターゲットエントロピーを低下させる。
  論文  参考訳（メタデータ） (2025-10-08T03:55:24Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• Better Generalization of White Matter Tract Segmentation to Arbitrary Datasets with Scaled Residual Bootstrap [1.30536490219656]
  ホワイトマター(WM)トラクションセグメンテーションは、脳接続研究において重要なステップである。 本稿では,WMトラクションセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T09:31:34Z)
• Balanced Representation Learning for Long-tailed Skeleton-based Action Recognition [31.626282931089055]
  動作認識における長い尾の問題に対処する新しいバランス付き表現学習法を提案する。 我々は、表現空間のバイアスを軽減するために、分離された行動認識学習スケジュールを設計する。 提案手法は4つのスケルトンデータセットで検証される。
  論文  参考訳（メタデータ） (2023-08-27T07:25:51Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• On the Transferability of Pre-trained Language Models: A Study from Artificial Datasets [74.11825654535895]
  大規模未ラベルテキストデータ上での事前学習言語モデル(LM)により、ダウンストリームのパフォーマンスが極めて容易になる。 我々は,事前学習データに含まれる特定の特徴について,セマンティクス以外では,下流タスクのスクラッチからトレーニングしたデータよりも,事前学習したLMを優れているか検討した。
  論文  参考訳（メタデータ） (2021-09-08T10:39:57Z)

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。