論文の概要: ActGaze: Learning Action-Grounded Gaze through Counterfactual Visual Interventions for High-Precision Manipulation
- arxiv url: http://arxiv.org/abs/2609.28955v1
- Date: Thu, 24 Sep 2026 03:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.685759
- Title: ActGaze: Learning Action-Grounded Gaze through Counterfactual Visual Interventions for High-Precision Manipulation
- Title（参考訳）: ActGaze: 高精度マニピュレーションのための対実的視覚介入によるアクション・グラウンド・ゲイズ学習
- Abstract要約: 本稿では,タスク関連領域を視認するためのビジョン・ランゲージ・アクション・ポリシーを指導するトレーニング手法であるActGazeを提案する。
4つの高精度なロボット操作タスクの実験において、ActGazeはタスク関連領域により焦点を絞った視覚的注意を誘導する。
- 参考スコア（独自算出の注目度）: 13.151941920991625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current Vision-Language-Action (VLA) models often struggle with high-precision robotic manipulation. We attribute this limitation primarily to their visual attention being dispersed across task-irrelevant regions. To address this issue, we propose ActGaze, a training approach that guides VLA policies to gaze on task-relevant regions, much like humans gaze on critical visual cues while executing precise movements. Unlike prior methods that rely on external labels for gaze supervision, ActGaze derives spatial supervision directly from the VLA's own action objective by using counterfactual visual interventions to identify regions that are critical for action prediction. Extensive real-robot experiments on four high-precision robotic manipulation tasks demonstrate that ActGaze induces more focused visual attention on task-relevant regions and consistently outperforms the base VLA policy and other visual-grounding approaches.
- Abstract（参考訳）: 現在のVision-Language-Action(VLA)モデルは、しばしば高精度なロボット操作に苦しむ。
この制限は、主に視覚的注意がタスク非関連領域に分散しているためである。
この問題に対処するために、我々はActGazeを提案する。これはVLAポリシーを指導し、人間が正確な動きをしながら重要な視覚的手がかりを見つめるようにタスク関連領域を見つめる訓練手法である。
ActGazeは、外見監督のための外部ラベルに依存する従来の方法とは異なり、行動予測に不可欠な領域を特定するために、反現実的な視覚的介入を使用することにより、VLA自身の行動目標から直接空間的監督を導出する。
4つの高精度ロボット操作タスクに関する大規模な実ロボット実験は、ActGazeがタスク関連領域により焦点を絞った視覚的注意を誘導し、基礎となるVLAポリシーやその他の視覚的接地アプローチを一貫して上回ることを示した。
関連論文リスト
- Making Foresight Actionable: Repurposing Representation Alignment in World Action Models [57.23863557252883]
World Action Models (WAMs)は、ビデオ生成モデルを使用して将来のシーンの進化をモデル化することで、ロボット操作のための有望なルートを提供する。
目に見える未来を生み出すことは 必ずしも正確な行動の抽出を 保証するとは限らない
本稿では,Action-Grounded Representation Alignmentの目的であるAGRAを提案する。
論文 参考訳（メタデータ） (2026-06-10T15:31:25Z) - Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。
本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
論文 参考訳（メタデータ） (2026-05-22T20:43:47Z) - Enhancing Gaze Reasoning in Vision Foundation Models for Gaze Following [67.84259349601501]
視線追跡のための視覚基盤モデルにおいて、視線推論を強化するための新しい学習機構を提案する。
本手法は,目視対象が意味論的に健全でない場合に,最先端の性能を向上する。
論文 参考訳（メタデータ） (2026-05-21T15:21:14Z) - FocusVLA: Focused Visual Utilization for Vision-Language-Action Models [12.859683124954339]
VLA(Vision-Language-Action)モデルは、リッチビジョン言語情報に対する条件付けによってアクション生成を改善する。
FocusVLAは,タスク関連視覚領域にモデルの注意を向け,視覚を効果的に行動にブリッジする新しいパラダイムである。
論文 参考訳（メタデータ） (2026-03-30T17:50:54Z) - Gaze-Regularized VLMs for Ego-Centric Behavior Understanding [7.281396624646809]
眼球は固定やササードを包含しており、人間の意図や将来の行動に対する重要な洞察を提供する。
本研究では、自我中心の行動理解のための視覚言語モデル(VLM)を強化する、視線規則化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-24T13:37:28Z) - PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。
本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
論文 参考訳（メタデータ） (2025-12-03T12:14:29Z) - Gaze-VLM:Bridging Gaze and VLMs through Attention Regularization for Egocentric Understanding [7.281396624646809]
視線は注意、短期的意図、将来の行動に関する貴重な手がかりを提供する。
本稿では,2つの重要な自我中心的理解タスクに対して,VLMを強化した視線規則化フレームワークを提案する。
本稿では,人間の視線とモデル焦点を一致させる視線調整型注意機構を提案する。
論文 参考訳（メタデータ） (2025-10-24T11:33:03Z) - Weakly-Supervised Physically Unconstrained Gaze Estimation [80.66438763587904]
我々は、人間のインタラクションのビデオから弱教師付き視線推定を行うという未発見の問題に対処する。
本稿では,タスクに特化して設計された新しい損失関数とともに,トレーニングアルゴリズムを提案する。
a)半教師付き視線推定の精度と(b)最先端の物理的に制約のないGaze360視線推定ベンチマーク上でのクロスドメイン一般化の精度を大幅に改善した。
論文 参考訳（メタデータ） (2021-05-20T14:58:52Z)
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。