論文の概要: Cue the Flow: Steering Flow-Matching Policies for Open-World Delivery Manipulation

• arxiv url: http://arxiv.org/abs/2609.38989v1
• Date: Wed, 30 Sep 2026 05:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.200611
• Title: Cue the Flow: Steering Flow-Matching Policies for Open-World Delivery Manipulation
• Title（参考訳）: Cue the Flow: オープンワールドデリバリ操作のためのフローマッチングポリシのステアリング
• Abstract要約: オープンワールドのグッズデリバリーは、モバイルマニピュレータがフリーフォームのユーザーインストラクションに従い、潜在的に新しいオブジェクトを操作する必要がある。 既存のデュアルシステムアプローチでは、高レベルのグラウンドモデルを使用して、言語をグラウンド化された視覚的プロンプトに変換する。 代わりに、低レベル制御インタフェースとして、事前訓練されたフローマッチング・ビジョン-アクションモデルを使用します。
• 参考スコア（独自算出の注目度）: 45.28184351826314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-world goods delivery requires mobile manipulators to follow free-form user instructions and manipulate potentially novel objects. Existing dual-system approaches use high-level grounding models to convert language into grounded visual prompts, but their low-level controllers can remain brittle under noisy perception, dynamic scenes, and contact-rich interactions. We instead use a pretrained flow-matching vision-language-action model as the low-level control interface, leveraging its reactivity and robustness to environmental changes while treating the grounding output as a spatial cue for policy steering. Our key insight is that the pretrained VLA already provides a strong manipulation prior, while the spatial cue supplies the missing target information needed to guide actions under novel language--object mappings. Concretely, we introduce a lightweight cue-conditioned adapter. The adapter is first trained with contrastive objectives to produce salient and spatially discriminative cue representations, and is then supervised to predict a diagonal affine transformation over the generated action chunk, aligning policy steering with the cued target. Across tabletop and mobile-base settings, our method improves instruction following and manipulation success on both in-domain and out-of-domain objects, achieving up to near $2\times$ improvement in average task success rate with negligible inference overhead.
• Abstract（参考訳）: オープンワールドのグッズデリバリーでは、モバイルマニピュレータはフリーフォームのユーザーインストラクションに従い、潜在的に新しいオブジェクトを操作する必要がある。 既存のデュアルシステムアプローチでは、言語をグラウンド化された視覚的プロンプトに変換するために、ハイレベルなグラウンドモデルを使用しているが、低レベルなコントローラはノイズの多い知覚、ダイナミックシーン、コンタクトリッチな相互作用の下でも不安定なままである。 その代わりに、低レベル制御インタフェースとして、学習済みのフローマッチング型視覚-言語-アクションモデルを使用し、その反応性とロバスト性を環境変化に活用するとともに、グラウンドティング出力を政策ステアリングのための空間的キューとして扱う。 我々の重要な洞察は、事前訓練されたVLAは、既に強い操作を提供しており、空間的キューは、新しい言語-オブジェクトマッピングの下のアクションをガイドするのに必要な、不足するターゲット情報を提供していることである。 具体的には,軽量キューコンディショニングアダプタを提案する。 アダプタは、まず、相対的かつ空間的に識別可能なキュー表現を生成するために、対照的な目的で訓練され、次に、生成されたアクションチャンク上で対角的なアフィン変換を予測し、キューされたターゲットとポリシーステアリングを整列するように教師される。 テーブルトップとモバイルベースの設定全体では、ドメイン内およびドメイン外の両方のオブジェクトに対する命令追従と操作の成功を改善し、無視できない推論オーバーヘッドで平均タスク成功率を最大2ドル近く向上させる。

関連論文リスト

• Self-Adaptive VLA for Robust Robot Deployment [37.44271690151415]
  Self-Adaptive VLAは、デプロイ時のハードウェアシフトに反復的に適応可能な、新しいポストトレーニングレシピである。 ハードウェアシフトにより,自己適応型VLAは基本方針の性能の80%以上を回復することを示す。
  論文  参考訳（メタデータ） (2026-09-24T16:37:46Z)
• GesVLA: Gesture-Aware Vision-Language-Action Model Embedded Representations [19.347332945780273]
  VLA(Vision-Language-Action)モデルは、知覚と行動の統一による汎用ロボット操作の強力な可能性を示している。 ジェスチャーを並列命令として導入し,GesVLA(Gesture-Aware Vision-Language-Action Model)を提案する。 実験結果から,ジェスチャを組み込むことにより,目標の接地精度と人間とロボットの相互作用効率が一貫した改善が得られた。
  論文  参考訳（メタデータ） (2026-05-21T17:57:44Z)
• SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation [43.77409401429281]
  VLA(Vision-Language-Action)モデルは、ロボット制御の可能性を秘めているが、複雑な家庭環境におけるパフォーマンスは、まだ準最適である。 モバイル操作には、グローバルなシーンレイアウト、きめ細かい形状、高次元連続的な動作の推論が必要である。 知覚と表現を強化する空間的接地型VLAモデルの学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T03:44:25Z)
• SteerVLM: Robust Model Control through Lightweight Activation Steering for Vision Language Models [4.506695482619111]
  本研究は、VLM(Vision-Language Models)のための軽量ステアリングモジュールであるSteerVLMを紹介する。 提案手法は,言語モダリティと画像コンテキストを接続するアクティベーションを動的に調整するために,ターゲットと逆動作を符号化するペアプロンプトの潜伏埋め込みから学習する。 我々の操舵モジュールは、元のVLMの大きさの0.14%に相当する学習パラメータを必要とする。
  論文  参考訳（メタデータ） (2025-10-30T17:52:39Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)

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。