論文の概要: Towards VLA-Dreamer: Refining VLA Behavior Using World Models

• arxiv url: http://arxiv.org/abs/2609.31313v1
• Date: Fri, 25 Sep 2026 14:21:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.435761
• Title: Towards VLA-Dreamer: Refining VLA Behavior Using World Models
• Title（参考訳）: VLA-Dreamerに向けて:世界モデルを用いたVLA挙動の精錬
• Abstract要約: VLA(Vision-Language-Action Model)は、大量の高品質な模倣学習データを必要とする。 本稿では,VLAの視覚エンコーダの埋め込み空間における予測世界モデルをトレーニングすることにより,VLA内のサンプル効率に対処する新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 8.48431050202909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action models (VLAs), while showing strong potential for robot control, require massive amounts of high-quality imitation learning data. Moreover, the absence of an explicit world model casts further doubt on their control capabilities. In this concept paper, we propose a novel architecture that addresses sample efficiency in VLAs by training a predictive world model on the embedding space of the VLA's vision encoder. We hypothesize that these embeddings are action-relevant and usable for future prediction. To this end, we propose using the suggested architecture to investigate how well these embeddings predict the future based on actions, as the inability to do so would mark a key limitation of VLA architectures: the lack of a non-lossy implicit world model to simulate real-world dynamics. The proposed architecture differs from the standard world model dynamics as the loss comes from the embedding space rather than the pixel space, similar to joint embedding predictive architectures. Furthermore, the trained world model can be utilized for short-term planning tasks by sampling VLA actions given goal images. We intend to examine the richness of vision embeddings in VLAs and reduce their high data requirements through a world model that can also generate plans during inference.
• Abstract（参考訳）: VLA(Vision-Language-Action Model)は、ロボット制御の強力な可能性を示す一方で、大量の高品質な模倣学習データを必要とする。 さらに、明示的な世界モデルがないことは、その制御能力にさらに疑念を抱かせる。 本稿では,VLAの視覚エンコーダの埋め込み空間における予測世界モデルをトレーニングすることにより,VLAのサンプル効率に対処する新しいアーキテクチャを提案する。 これらの埋め込みはアクション関連であり、将来の予測に利用できると仮定する。 この目的のために、提案アーキテクチャを用いて、これらの埋め込みがアクションに基づいてどのように未来を予測するかを検討する。これは、VLAアーキテクチャの重要な制限である:現実世界のダイナミクスをシミュレートする非ロジイな世界モデルがないこと。 提案したアーキテクチャは、ピクセル空間ではなく埋め込み空間から損失が生じるため、標準的な世界モデルと異なる。 さらに、トレーニングされた世界モデルは、目標画像からVLAアクションをサンプリングすることにより、短期的な計画作業に利用することができる。 我々は,VLAにおける視覚埋め込みの豊かさを検証し,推論中に計画を生成する世界モデルを通じて,高いデータ要求を減らそうとしている。

関連論文リスト

• Reinforcing VLAs in Task-Agnostic World Models [15.056103368344596]
  強化学習(RL)による後学習型ビジョン・ランゲージ・アクション(VLA)モデルは、コストのかかる実世界の相互作用を伴わずに新しいタスクに適応するための効果的な戦略として登場した。 我々は、世界と報酬モデルがゼロショット推論を可能にする転送可能な物理的事前をキャプチャすべきであると主張している。 我々は、下流のタスク依存から世界モデル学習を完全に切り離す新しいパラダイムであるRAW-Dreamを提案する。
  論文  参考訳（メタデータ） (2026-05-12T16:16:15Z)
• Learning Vision-Language-Action World Models for Autonomous Driving [15.103497388527943]
  VLA(Vision-Language-Action)モデルは最近、エンドツーエンドの自動運転において顕著な進歩を遂げている。 VLAモデルは時相力学と世界整合性の明示的なモデリングを欠いていることが多い。 VLA-World(VLA-World)は、予測的想像力と反射的推論を統一する、シンプルで効果的なVLA世界モデルである。
  論文  参考訳（メタデータ） (2026-04-10T07:38:05Z)
• World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy [55.03832008486675]
  World-VLA-Loopは、世界モデルとVision-Language-Action (VLA) ポリシーの共同改良のためのクローズドループフレームワークである。 本研究では,将来観測と報奨信号の同時予測により,高忠実度インタラクティブシミュレータとして機能する状態認識型ビデオワールドモデルを提案する。
  論文  参考訳（メタデータ） (2026-02-06T08:57:55Z)
• DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving [52.63591791507895]
  将来の画像の予測に世界モデリングを利用するトレーニングパラダイムである textbfDriveVLA-W0 を提案する。 このタスクは、運転環境の基礎となる力学を学ぶためにモデルを補完する密集した自己教師信号を生成する。 NAVSIM v1/v2ベンチマークと680倍の社内データセットの実験は、DriveVLA-W0がBEVとVLAのベースラインを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-14T17:59:47Z)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)
• LaDi-WM: A Latent Diffusion-based World Model for Predictive Manipulation [45.02469804709771]
  拡散モデルを用いて将来の状態の潜伏空間を予測する世界モデルLaDi-WMを提案する。 LIBERO-LONGベンチマークでは,LaDi-WMが27.9%,現実シナリオでは20%,政策性能が著しく向上することを示した。
  論文  参考訳（メタデータ） (2025-05-13T04:42:14Z)
• CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
  視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。 視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。 実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
  論文  参考訳（メタデータ） (2025-03-27T22:23:04Z)

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。