論文の概要: LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks
- arxiv url: http://arxiv.org/abs/2609.36774v1
- Date: Tue, 29 Sep 2026 05:45:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.217111
- Title: LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks
- Title（参考訳）: LexiconVLA: 見えないタスクのための再利用可能なアトミックアクションコードブックを学習する
- Abstract要約: クロスタスク再利用のための検索可能な原子-作用レキシコンを提案する。
グローバルかつ詳細なコードブックは、共有インタラクション構造ときめ細かい実行のバリエーションをキャプチャする。
視覚-原子的行動アライメントは、視覚状態変化からの軌道再構成と、行動コードからの視覚的結果予測を結合する。
- 参考スコア（独自算出の注目度）: 52.045695649147966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) models struggle to reuse recurring interactions in unseen tasks. Our diagnostic study reveals that reliable task completion does not imply consistent execution of constituent atomic actions across task contexts. We present LexiconVLA, a retrievable atomic-action lexicon for cross-task reuse. Global and detail codebooks capture shared interaction structure and fine-grained execution variation, respectively, preserving both reusable patterns and execution details. Visual-Atomic Action Alignment couples trajectory reconstruction from visual state changes with visual outcome prediction from action codes, grounding the lexicon in motion and its effects. We learn these codebooks with trajectory reconstruction and visual alignment on our AtomAction Dataset of 57,803 segments from 69 tasks. A planner and scene-aware adapter translate new goals into code-conditioned subtasks for a shared policy, without skill-specific experts or deployment-time parameter updates. Across five policy backbones on 26 RLBench tasks, LexiconVLA largely maintains performance on 18 seen tasks while improving success on 8 tasks held out from policy training. With BridgeVLA, unseen-task success rises from 16.67% to 34.17% (+17.50 percentage points), and overall success reaches 71.08%, the highest among methods with reported results. Real-robot experiments demonstrate stepwise execution and failure recovery.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、目に見えないタスクで繰り返し発生するインタラクションの再利用に苦労する。
我々の診断研究は、信頼性の高いタスク完了は、タスクコンテキスト全体にわたる構成的アトミックアクションの実行を一貫したものではないことを明らかにしている。
本稿では、クロスタスク再利用のための検索可能な原子反応レキシコンであるLexiconVLAを提案する。
グローバルとディテールのコードブックは、それぞれ共有インタラクション構造ときめ細かい実行のバリエーションをキャプチャし、再利用可能なパターンと実行の詳細の両方を保存する。
視覚-原子的行動アライメントは、視覚状態変化からの軌跡再構成と、行動規範からの視覚的結果予測とを結合し、運動中の語彙とその効果を接地する。
69のタスクから57,803セグメントのAtomAction Dataset上で、軌道再構成と視覚的アライメントでこれらのコードブックを学びます。
プランナーとシーン対応アダプタは、スキルの専門家やデプロイメント時のパラメータ更新なしで、新しい目標を共有ポリシのためのコード条件のサブタスクに変換する。
26のRLBenchタスクの5つのポリシーバックボーンにまたがって、LexiconVLAはポリシートレーニングから持たれる8タスクの成功を改善しながら、18のタスクのパフォーマンスをほぼ維持している。
ブリッジVLAでは、16.67%から34.17%(+17.50ポイント)に増加し、全体の成功率は71.08%に達した。
実ロボット実験は、ステップワイズ実行と障害回復を実証する。
関連論文リスト
- CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - Behavior-Skill: A Fine-Grained Benchmark for Evaluating Vision-Language-Action Policies in Long-Horizon Tasks [39.959375504916494]
本稿では,長期タスクの学習と評価を改定するベンチマークであるBehavior-Skillを提案する。
50世帯のタスクにまたがる1万件のデモから、34のセマンティックスキルカテゴリから235,492のスキルインスタンスが含まれている。
本研究では,長期VLAポリシーの分析と改善のための中間機能プロファイルを公開することで,行動スキルがフルタスク評価を補完することを示す。
論文 参考訳（メタデータ） (2026-08-31T10:03:48Z) - Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。
我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。
RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
論文 参考訳（メタデータ） (2026-08-26T17:59:34Z) - Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models [10.94594187411586]
Hierarchical Skill Retrieval (HSR)は、データ効率のよいVLA適応のための検索フレームワークである。
我々は、HSRが最強のベースラインに対して平均成功率を10.3%、21.3%改善することを示した。
論文 参考訳（メタデータ） (2026-08-25T04:04:49Z) - SkillRise: Agentic Reinforcement Learning for Cross-Task Skill Evolution [39.74364990208475]
大規模な言語モデルエージェントは、しばしば再利用可能なソリューションパターンを共有する、関連するが独立したタスクに遭遇する。
タスク間のスキル学習のための統合強化学習フレームワークであるSkillRiseを紹介する。
論文 参考訳（メタデータ） (2026-07-29T11:26:33Z) - Knowledge Reutilization in Meta-Reinforcement Learning [51.07319647819108]
本稿では,動的に単純化されたエージェント上でタスクレベルの知識を学習し,それを異種エージェントに転送するメタ知識再利用フレームワークを提案する。
我々のフレームワークは、最新の最先端ベースラインと比較して、最終段階のトラッキングエラーを94.75% -- 99.79%削減している。
論文 参考訳（メタデータ） (2026-06-16T16:32:28Z)
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。