Fugu-MT 論文翻訳(概要): AeroManip-VLA: Scalable Vision-Language-Action Learning for Aerial Manipulation with RL-Generated Demonstrations

論文の概要: AeroManip-VLA: Scalable Vision-Language-Action Learning for Aerial Manipulation with RL-Generated Demonstrations

arxiv url: http://arxiv.org/abs/2609.36915v1
Date: Tue, 29 Sep 2026 07:34:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.286196
Title: AeroManip-VLA: Scalable Vision-Language-Action Learning for Aerial Manipulation with RL-Generated Demonstrations
Title（参考訳）: AeroManip-VLA:RL生成デモによる空中マニピュレーションのためのスケーラブルなビジョン・ランゲージ・アクション学習
Abstract要約: 本稿では,航空VLAデータ生成とポリシー評価のためのスケーラブルなベンチマークであるAeroManip-VLAを提案する。 AeroManip-VLAは、低レベルのペイロード対応飛行と操作制御を備えたGPUアクセラレーションシミュレーションフレームワークを提供する。本研究では,AeroManip-VLAが実世界展開前のシミュレーションにおいて,スケーラブルな空中操作データ生成,構造化軌道解析,系統的なVLA評価を可能にすることを示す。
参考スコア（独自算出の注目度）: 11.854784625103578
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aerial manipulators extend robotic manipulation into 3D workspaces that are difficult for ground-based robots to access, creating new opportunities for general-purpose manipulation. However, extending Vision-Language-Action (VLA) models to aerial robots introduces distinct challenges due to the tight coupling between manipulation and flight, continuously changing observations, and safety-critical physical interactions. These challenges demand diverse training data and systematic policy evaluation, yet collecting demonstrations and evaluating policies directly on physical aerial platforms are costly, difficult to scale, and hard to repeat under controlled conditions. We present AeroManip-VLA, a scalable benchmark for aerial VLA data generation and policy evaluation. AeroManip-VLA provides a GPU-accelerated simulation framework with low-level payload-aware flight and manipulation control in massively parallel environments. Building on this framework, we combine reusable reinforcement learning policies with expert task rules to automatically generate demonstrations without human teleoperation across diverse objects, environments, and randomized initial conditions. The generated data include basic skills such as grasping and placing, as well as long-horizon tasks that require both navigation and manipulation. We further introduce automated event labeling and trajectory categorization to filter demonstrations. These mechanisms enable fine-grained analysis of task progress, behavioral outcomes, and safety-related failures. Finally, we evaluate a range of imitation learning and VLA baselines across different task settings, revealing their performance characteristics and failure modes. Together, AeroManip-VLA enables scalable aerial manipulation data generation, structured trajectory analysis, and systematic VLA evaluation in simulation prior to real-world deployment.
Abstract（参考訳）: 空中マニピュレータは、地上のロボットがアクセスし難い3Dワークスペースにロボット操作を拡張し、汎用的な操作の新たな機会を生み出します。しかしながら、VLA(Vision-Language-Action)モデルを空飛ぶロボットに拡張することは、操作と飛行の密接な結合、観察の連続的な変化、安全-クリティカルな物理的相互作用など、明確な課題をもたらす。これらの課題は、多様なトレーニングデータと体系的な政策評価を必要とするが、実演を収集し、物理的な航空プラットフォーム上でポリシーを直接評価することは、コストがかかり、スケールが難しく、制御された条件下での反復が困難である。本稿では,航空VLAデータ生成とポリシー評価のためのスケーラブルなベンチマークであるAeroManip-VLAを提案する。 AeroManip-VLAはGPUアクセラレーションによるシミュレーションフレームワークを提供する。この枠組みに基づいて,再利用可能な強化学習ポリシーと専門家のタスクルールを組み合わせることで,多種多様なオブジェクト,環境,ランダム化初期条件を介さずに,人間の遠隔操作なしに実演を自動生成する。生成されたデータには、把握や配置といった基本的なスキルと、ナビゲーションと操作の両方を必要とする長距離タスクが含まれている。さらに、自動イベントラベリングと軌道分類を導入して、デモをフィルタする。これらのメカニズムは、タスクの進捗、行動結果、安全に関連する障害のきめ細かい分析を可能にする。最後に、様々なタスク設定における模倣学習とVLAベースラインの評価を行い、その性能特性と障害モードを明らかにした。同時に、AeroManip-VLAは、スケーラブルな空中操作データ生成、構造化軌道解析、実世界展開前のシミュレーションにおける系統的なVLA評価を可能にする。

関連論文リスト

WOLF-VLA: Whole-Body Humanoid Optimal Locomotion Framework for Vision-Language-Action Learning [4.427336047705734]
VLA(Vision-Language-Action)モデルは最近、ロボット操作の強力な一般化を実証している。この研究は、全身最適制御(OC)モーション合成と大規模マルチモーダルデータセットを統合する統合フレームワークWOLF-VLAを導入する。我々は6つの移動関連タスクファミリにまたがって動的に実現可能なヒューマノイドトラジェクトリの包括的データセットを構築した。我々は,収集された共同軌跡,エゴ中心の視覚観察,自然言語指導を用いてVLAモデルを訓練し,初期条件変動に対する強い推論と堅牢性を示す政策を導出する。
論文参考訳（メタデータ） (2026-06-24T08:59:59Z)
Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
論文参考訳（メタデータ） (2026-06-07T08:57:51Z)
VISTA: Vision-Grounded and Physics-Validated Adaptation of UMI data for VLA Training [52.05483137072975]
Universal Manipulation Interface (UMI)は、ハードウェア固有の遠隔操作なしでスケーラブルな実世界のロボットデータ収集を可能にする。 VISTAは、この2つのギャップを3つの相乗的コンポーネントを通して橋渡しするフレームワークである。我々は,物理検証パイプライン,UMI-VQA,検証された軌道データ,コミュニティのための事前学習モデルをリリースする。
論文参考訳（メタデータ） (2026-06-03T10:38:45Z)
DeMaVLA: A Vision-Language-Action Foundation Model for Generalizable Deformable Manipulation [12.935477248310674]
一般化可能なデフォルマブルマニピュレーションのためのVLA基礎モデルであるDeMaVLAを紹介する。 DeMaVLAはアクションエキスパートを備えたVLMバックボーンを採用し、フローマッチングを使用して連続的なアクション生成を定式化する。実験により,DeMaVLAはRoboTwin上での競争性能と家庭用の折り畳みベンチマークにおける実世界の強みを実証した。
論文参考訳（メタデータ） (2026-05-29T13:20:08Z)
Build on Priors: Vision--Language--Guided Neuro-Symbolic Imitation Learning for Data-Efficient Real-World Robot Manipulation [4.118262876469644]
本稿では,象徴的計画領域とデータ効率制御ポリシを自律的に構築する,スケーラブルなニューロシンボリック・フレームワークを提案する。本手法は,実演をスキルに分割し,視覚言語モデル(VLM)を用いてスキルを分類する。既知のコントローラは、シーン内の他のオブジェクトに1つのデモを投影することで、実世界のデータ拡張に活用することができる。
論文参考訳（メタデータ） (2026-04-04T15:17:59Z)
Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
論文参考訳（メタデータ） (2026-02-10T12:25:43Z)
AIR-VLA: Vision-Language-Action Systems for Aerial Manipulation [15.824903784302562]
VLA(Vision-Language-Action)モデルは、地上ベースのインボディードインテリジェンスにおいて顕著な成功を収めた。エアリアル・マニピュレーション・システム(AMS)への彼らの応用は、まだほとんど探索されていないフロンティアである。航空操作に適した最初のVLAベンチマークである textbfAIR-VLA を提案する。
論文参考訳（メタデータ） (2026-01-29T12:09:00Z)
On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
論文参考訳（メタデータ） (2026-01-11T01:51:30Z)
TraceVLA: Visual Trace Prompting Enhances Spatial-Temporal Awareness for Generalist Robotic Policies [95.30717188630432]
VLAモデルの行動予測のための時空間認識を容易にするために,視覚的トレースプロンプトを導入する。我々は,これまでに収集した150Kロボット操作トラジェクトリのデータセットに基づいてOpenVLAを微調整し,新しいTraceVLAモデルを開発した。 4B Phi-3-Vision に基づくコンパクトな VLA モデルを提案する。
論文参考訳（メタデータ） (2024-12-13T18:40:51Z)

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。