論文の概要: Energy Vision--Language--Action: A Controlled Multimodal Benchmark for Intent-Conditioned Residential Energy Management

• arxiv url: http://arxiv.org/abs/2609.31648v1
• Date: Sun, 13 Sep 2026 03:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:20:42.300859
• Title: Energy Vision--Language--Action: A Controlled Multimodal Benchmark for Intent-Conditioned Residential Energy Management
• Title（参考訳）: エネルギービジョン-Language-Action:Intent-Conditioned Residential Energy Managementのための制御されたマルチモーダルベンチマーク
• Abstract要約: 本稿では,意図条件付き住宅エネルギー管理のためのマルチモーダル・ベンチマークであるEnergy Vision-Language-Action(EVLA)を紹介する。 EVLAは、電池のスケジューリングを、RGBエネルギー場表現、数値運転状態、自然言語目的をマッピングするマルチモーダル軌道予測問題として捉えている。 交差する439,203のベースウィンドウには3つの隠されたレシエーションと5つの言語目標があり、6,588,045のマルチモーダルインスタンスがある。
• 参考スコア（独自算出の注目度）: 0.5277024349608833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models are studied mainly in robotics, where visual observations and language instructions are mapped to physical actions. This paper introduces Energy Vision-Language-Action (EVLA), a controlled multimodal benchmark for intent-conditioned residential energy management. EVLA frames battery scheduling as a multimodal trajectory-prediction problem in which an RGB energy-field representation, a numerical operating state, and a natural-language objective are mapped to a 16-step battery-action trajectory generated by a finite-horizon sampling-based reference generator. Source windows are derived from public residential electrical-load data, while electricity price, battery state of charge, indoor temperature, and time of day are generated benchmark metadata. A hidden operating regime is encoded only through energy-field texture, enabling paired visual changes while the explicit numerical state is fixed. Crossing 439,203 retained base windows with three hidden regimes and five language objectives yields 6,588,045 multimodal instances. An initial study evaluates 36 configurations over three training seeds using fixed subsets of 5,000 training, 500 validation, and 500 test instances. In the MobileNet-family comparison, removing processed language increases trajectory mean-squared error from 0.3856 +/- 0.0039 to 0.8628 +/- 0.0001, whereas removing vision yields 0.3843 +/- 0.0013, comparable to the full model. The results show strong asymmetry in modality use: the processed-language pathway is strongly associated with prediction quality, while the current RGB pathway provides no aggregate error advantage. These results characterize the fixed pilot subset and executed protocol rather than full-benchmark training. EVLA provides a controlled setting for studying how semantic intent and latent context influence residential energy-action prediction.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは主にロボット工学において研究され、視覚的な観察と言語指示が物理的な行動にマッピングされる。 本稿では,意図条件付き住宅エネルギー管理のためのマルチモーダル・ベンチマークであるEnergy Vision-Language-Action(EVLA)を紹介する。 EVLAは、電池スケジューリングを、RGBエネルギー場表現、数値演算状態、自然言語目的を有限水平サンプリングベース基準発生器で生成された16ステップの電池動作軌跡にマッピングするマルチモーダル軌道予測問題とする。 ソースウィンドウは、公共住宅の電気負荷データから派生し、電力価格、充電のバッテリ状態、室内温度、日時などのベンチマークメタデータが生成される。 隠れ操作状態はエネルギー場テクスチャによってのみ符号化され、明示的な数値状態が固定されている間にペア化された視覚的変化を可能にする。 交差する439,203のベースウィンドウには3つの隠されたレシエーションと5つの言語目標があり、6,588,045のマルチモーダルインスタンスがある。 最初の研究では、5000のトレーニング、500のバリデーション、500のテストインスタンスの固定サブセットを使用して、3つのトレーニングシードに対して36の構成を評価した。 MobileNetファミリーの比較では、処理された言語を除去すると、軌道平均二乗誤差は 0.3856 +/- 0.0039 から 0.8628 +/- 0.0001 に増加し、一方、視力除去は 0.3843 +/- 0.0013 となり、完全なモデルに匹敵する。 処理言語経路は予測品質と強く関連しており、現在のRGB経路は集合誤差の優位性を提供していない。 これらの結果は、完全なベンチマークトレーニングではなく、固定されたパイロットサブセットと実行プロトコルを特徴付ける。 EVLAは、セマンティックインテンションと潜在コンテキストが住宅のエネルギー行動予測にどのように影響するかを研究するための制御された設定を提供する。

関連論文リスト

• Zephyron: Integrated Design and Analytical Evaluation of a Solar-Assisted Mobile Manipulator for Multimodal Environmental Reconnaissance and Distributed Visual Inference [0.0]
  環境偵察には、センサーを持ち、測定コンテキストを保存し、限られたエネルギーと通信の下で解釈可能な証拠を返すモバイルプラットフォームが必要である。 本研究では,前部マニピュレータ,環境センサ,分散コンピュータビジョン,ローカル記録,後部太陽電池モジュールを備えた四輪ローバーであるZephyronの文献インフォームドエンジニアリング設計を提案する。
  論文  参考訳（メタデータ） (2026-09-22T05:28:19Z)
• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• 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)
• Decoupling Semantics and Geometric Grounding: Spatial Visual Prompts for Language-Conditioned Imitation Learning [21.67233368353003]
  本稿では,アクション生成ループから空間的グラウンドを明示的に抽出する分離アーキテクチャであるSVP-ILを提案する。 実験では、SVP-ILは最先端のVLAや純粋なビジュモータベースラインよりも著しく優れている。
  論文  参考訳（メタデータ） (2026-06-24T03:45:06Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• vla-eval: A Unified Evaluation Harness for Vision-Language-Action Models [58.633451339058986]
  VLAモデルは一般的に、各モデルリポジトリによって独立して維持されるベンチマークスクリプト毎に評価される。 本稿では、ベンチマーク実行からモデル推論を分離するオープンソースの評価ハーネスであるvla evalを紹介する。 完全な評価では、vla eval serveとvla eval runの2つのコマンドしか必要としない。
  論文  参考訳（メタデータ） (2026-03-14T14:38:53Z)
• RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation [71.2136732268131]
  RGB-Thermal(RGBT)トラッキングは、多様な環境条件をまたいだ堅牢なオブジェクトローカライゼーションを実現することを目的としている。 既存のRGBTトラッカーは、ターゲットモデリングのための初期フレームの視覚情報のみに依存している。 堅牢なRGBTトラッキングのための新しい検索拡張フレームワークであるRAGTrackを提案する。
  論文  参考訳（メタデータ） (2026-03-04T01:02:04Z)
• CoFL: Continuous Flow Fields for Language-Conditioned Navigation [14.35468089349405]
  CoFLは、鳥眼ビュー(BEV)観察と言語指導をナビゲーションのための連続フローフィールドにマッピングするエンドツーエンドのポリシーである。 混合分布の訓練により、CoFLはモジュラービジョン・ランゲージ・モデル(VLM)ベースのプランナーよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-03-03T11:02:55Z)
• Vehicle-to-Infrastructure Collaborative Spatial Perception via Multimodal Large Language Models [41.00138090010061]
  大型言語モデル (MLLM) の限界を克服するために, 軽量でプラグアンドプレイの鳥眼ビュー (BEV) インジェクションコネクタを提案する。 レイトレーシングはRGB、LiDAR、GPS、無線信号データを様々なセンシングシナリオで生成するために開発された。 シミュレーションの結果,提案したBEVインジェクションフレームワークは全タスクのパフォーマンスを継続的に改善していることがわかった。
  論文  参考訳（メタデータ） (2025-09-04T02:57:47Z)
• Pre-Training Transformers as Energy-Based Cloze Models [95.04748595976811]
  テキストによる表現学習のためのエネルギーベースクローゼモデルであるElectricを導入する。 electricはマスキングを使用しず、コンテキスト内で発生したトークンに対して完全な分散を出力しない。 ノイズコントラスト推定に基づくアルゴリズムを用いて電気を訓練し、この学習目標が最近提案されたELECTRAプリトレーニング方法と密接に関連しているかを解明する。
  論文  参考訳（メタデータ） (2020-12-15T19:17:33Z)

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。