論文の概要: Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation

• arxiv url: http://arxiv.org/abs/2609.37591v1
• Date: Tue, 29 Sep 2026 13:46:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.579464
• Title: Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation
• Title（参考訳）: テスト時間適応型ビジョンランゲージナビゲーションのためのクレジットガイドによるポリシー改善
• Abstract要約: 視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、目に見えない環境にオンラインで適応できる。 分散シフトは、局所的な行動選好を歪め、オフコース決定につながる可能性がある。 我々は,行動誘発観察遷移から署名付き参照関連決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。
• 参考スコア（独自算出の注目度）: 53.30116823667751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation for vision-language navigation (TTA-VLN) enables pretrained policies to adapt online to unseen environments using only test-time observations and interaction history. However, distribution shifts can distort local action preferences and lead to off-course decisions. Existing methods rely on predictive uncertainty, trajectory-level feedback, or accumulated adaptation experience to correct such deviations. These signals, however, do not directly reveal whether an executed action supports instruction-guided progress toward the goal. Moreover, a plausible corrective signal does not guarantee a reliable policy update. The key challenge is thus twofold: identifying interactions that support goal-directed improvement and determining whether the resulting updates are worth retaining. We observe that each executed action induces an immediate observation transition, providing evidence of its local consequences. Based on this insight, we propose Credit-Guided Policy Improvement (CGPI), which recovers signed, reference-relative decision credit from action-induced observation transitions without external outcome feedback. With the pretrained navigation policy frozen, CGPI uses this credit to propose lightweight adaptation updates and verifies them against prior credit-supported interactions. Updates are retained only when supported and rolled back otherwise. CGPI achieves consistent gains across the evaluated VLN benchmarks and navigation backbones, while qualitative robot trials further illustrate the feasibility of zero-shot sim-to-real transfer.
• Abstract（参考訳）: 視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、テスト時観察とインタラクション履歴のみを使用して、未確認環境へのオンライン適応を可能にする。 しかし、分布シフトは局所的な行動選好を歪め、オフコース決定につながる可能性がある。 既存の手法は、予測の不確実性、軌道レベルのフィードバック、あるいはそのようなずれを修正するために蓄積された適応経験に依存している。 しかし、これらの信号は、実行されたアクションが目標に向かって指示誘導された進行をサポートするかどうかを直接明らかにしない。 さらに、確実な補正信号は、信頼性の高いポリシー更新を保証しない。 ですから重要な課題は2つあります – 目標指向の改善をサポートするインタラクションの識別と,結果の更新が維持に値するかどうかの判断です。 実行された各アクションが即時観察遷移を誘導し、その局所的な結果の証拠を提供する。 この知見に基づき、外部の成果フィードバックを伴わない行動誘発観察遷移から、署名付き参照相対的決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。 事前訓練されたナビゲーションポリシーが凍結されたことにより、CGPIは、このクレジットを使用して、軽量な適応更新を提案し、以前のクレジット支援インタラクションに対して検証する。 アップデートはサポートされたときにのみ保持され、ロールバックされる。 CGPIは評価されたVLNベンチマークとナビゲーションバックボーンで一貫したゲインを達成する一方、定性的なロボットトライアルはゼロショットシム-リアル転送の可能性をさらに示している。

関連論文リスト

• VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies [12.698552476812855]
  VLA(Vision-Language-Action)ポリシーによる長距離ロボット操作は、実行時の逸脱に対して脆弱である。 本稿では,固定VLAポリシのクローズループ修正を可能にする,ステージアウェアの故障検証とPromptリカバリフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-06T09:50:30Z)
• Reconciling Process Supervision with Outcome-Based Credit in Agentic Policy Optimization [13.354353071601379]
  我々は、特権付き監督を成果ベースアクションクレジットに変換するTASPOを紹介する。 3つのエージェントベンチマークで、TASPOはGRPOよりも10.6%改善し、目に見えないタスクを一般化する。
  論文  参考訳（メタデータ） (2026-08-31T16:51:50Z)
• VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction [8.801486222527984]
  テストタイムトレーニング(TTT)は、ラベルのないデプロイメントストリームから視覚-言語-アクション(VLA)ポリシーを適用するための軽量な方法を提供する。 VLAポリシー(VANE)のための信頼性TTTフレームワークを導入する。 SimplerEnv WidowXでは、VANEは対応するTTベースラインよりも平均的な成功率を32ドルポイント向上させる。
  論文  参考訳（メタデータ） (2026-08-10T11:22:54Z)
• STRIDE: Learnable Stepwise Language Feedback for LLM Reasoning [80.78140312980484]
  我々はSTRIDEと呼ばれる言語駆動の段階的軌道リダイレクトを提案する。 我々は、結果に基づく報酬のみを使用して生成器と生成検証器を共同で訓練し、外部アノテーションを除去する。 様々な推論ベンチマークの実験では、STRIDEが最先端のベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-05-13T11:04:31Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
  VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。 本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。 我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
  論文  参考訳（メタデータ） (2026-03-25T17:56:32Z)
• Actively Obtaining Environmental Feedback for Autonomous Action Evaluation Without Predefined Measurements [0.11844977816228043]
  AIエージェントは、事前に定義された測定に頼ることなく、環境と積極的に対話して、フィードバックを発見し、スクリーニングし、検証する。 自律的に計画し、行動を調整するためのセルフトリガ機構が導入された。 実験結果から,本提案手法は因子同定の効率と堅牢性を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2026-01-04T09:52:56Z)
• User-Feedback-Driven Continual Adaptation for Vision-and-Language Navigation [50.51140007672333]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで複雑な環境をナビゲートする必要がある。 現在のGSA-VLNフレームワークは、環境暴露の繰り返しによる教師なし適応のみに依存するため、ユーザのフィードバックを除外している。 本稿では,GSA-VLNを拡張したユーザフィードバック型適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T06:11:45Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)

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。