論文の概要: ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning

• arxiv url: http://arxiv.org/abs/2609.34982v1
• Date: Mon, 28 Sep 2026 11:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 18:08:27.801185
• Title: ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning
• Title（参考訳）: ActionUNet: マルチスケールファインチューニングによるVLAモデルのロバスト性向上
• Abstract要約: ActionUNetは、Vision-Language-Action(VLA)モデルの効率的なマルチスケール微調整フレームワークである。 我々は,ActionUNetが0.5の成功率を,それぞれ9.8%,6.1%,11.4%で著しく向上させることを示した。
• 参考スコア（独自算出の注目度）: 6.34168955365431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have shown great promise for robotic manipulation by mapping multi-modal semantics to physical actions. However, this mapping inherently struggles to align these coarse-grained semantics with fine-grained temporal execution. It leaves VLA models with limited generalization and insufficient robustness in cluttered environments. To overcome this issue, we propose ActionUNet, an efficient multi-scale fine-tuning framework that enhances pre-trained VLA models with minimal computational cost. ActionUNet first constructs a lightweight temporal U-Net within the temporal-aligned action feature space to fuse hierarchical structural priors, effectively bridging the scale gap between semantics and temporal executions. Recognizing that multi-scale modeling can disrupt microscopic temporal continuity and cause mechanical oscillations, ActionUNet then employs a conditional SIREN as a continuous action decoder. Equipped with explicit second-order smoothness constraints, this decoder guarantees temporal continuity and reduces high-frequency motion jitter. By smoothing temporal discontinuities from multi-scale fusion, this continuous formulation reduces mechanical execution failures while preserving the base VLA model's generalization and manipulation robustness. Extensive experiments on RoboTwin 2.0 and LIBERO-Plus benchmarks, together with real-world hard evaluations, demonstrate that ActionUNet significantly improves π0.5 success rates by absolute 9.8%, 6.1%, and 11.4%, respectively, while also generalizing to the regression-based OpenVLA-OFT backbone, highlighting its effectiveness and efficiency as a fine-tuning strategy. Code and implementation details are available at https://github.com/Di-Zhu123/ActionUNet.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、マルチモーダルなセマンティクスを物理的なアクションにマッピングすることで、ロボット操作に大きな可能性を示してきた。 しかし、このマッピングは本質的にこれらの粗い粒度のセマンティクスを微粒度の時間的実行と整合させるのに苦労している。 乱雑な環境では、VLAモデルは限定的な一般化と不十分な堅牢性を持つ。 この問題を克服するために,プリトレーニング済みVLAモデルを最小の計算コストで拡張する,効率的なマルチスケール微調整フレームワークであるActionUNetを提案する。 ActionUNetはまず、時間的に整列したアクション特徴空間内に軽量な時間的U-Netを構築し、階層的な構造的前提を融合させ、意味論と時間的実行の間のスケールギャップを効果的に埋める。 マルチスケールモデリングが顕微鏡的時間的連続性を妨害し、機械的振動を引き起こすことを認識して、ActionUNetは条件付きSIRENを連続的なアクションデコーダとして使用する。 このデコーダは、明示的な2階スムーズ性制約を具備し、時間的連続性を保証するとともに、高周波モーションジッタを低減する。 マルチスケール核融合による時間的不連続性を平滑化することにより、この連続的な定式化は、基礎となるVLAモデルの一般化を保ちながら、機械的実行失敗を減らす。 RoboTwin 2.0とLIBERO-Plusベンチマークの広範な実験は、実世界のハード評価とともに、ActionUNetがπ0.5の成功率をそれぞれ絶対9.8%、6.1%、11.4%改善し、レグレッションベースのOpenVLA-OFTバックボーンに一般化し、微調整戦略としての有効性と効率を強調した。 コードと実装の詳細はhttps://github.com/Di-Zhu123/ActionUNetで確認できる。

関連論文リスト

• TS-Mask VLA: 2D Temporal-Spatial Masking for Vision-Language-Action Model with Effective Bridging [18.666233973595762]
  TS-Mask VLAはロボット操作のための視覚言語アクションフレームワークである。 本手法は,(1)ブリッジアテンションコンディショニングブリッジを備えた離散アクションエキスパート,(2)時空間2Dマスキング戦略の2つの重要な設計に基づいて構築されている。 0.5Bパラメータしか持たない平均的な成功率は9%に達し、かなり大きなモデルを上回る。
  論文  参考訳（メタデータ） (2026-07-10T07:06:02Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)

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。