論文の概要: ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection

• arxiv url: http://arxiv.org/abs/2610.01741v1
• Date: Thu, 01 Oct 2026 14:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.179948
• Title: ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection
• Title（参考訳）: ATI-VLA:アクティブルアライメント・アダプティブ・インジェクションによるアクション中心予測型視覚ランゲージ・アクションモデル
• Abstract要約: ATI-VLAはAction-Centric Predictive Vision-Language-Actionフレームワークである。 両方のモダリティを共有潜在空間にマッピングすることで、予測観測と行動表現を一致させる。 その後、予測された観測潜伏者を明示的な予測先行として行動復号に注入する。
• 参考スコア（独自算出の注目度）: 58.95432059887781
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive Vision-Language-Action (VLA) models aim to improve robotic manipulation via future observation or world dynamics forecasting. However, existing approaches often fail to realize this potential and underperform direct action prediction models. We argue that these limitations stem from modality misalignment between observations and actions, together with joint optimization conflicts that drive learning away from an action-centric objective. To this end, we introduce ATI-VLA, an Action-Centric Predictive Vision-Language-Action framework via Actionable Alignment Then Adaptive Injection. Specifically, it follows a two-step design: 1) Actionable Representation Alignment via a Shared Codebook. It aligns predictive observation and action representations by mapping both modalities into a shared discrete latent space via a unified codebook, making predictive observation latents readily usable for action generation and mitigating modality misalignment. 2) Action-Centric Adaptive Injection of Predictive Latents. Building upon this, it then injects predictive observation latents into action decoding as explicit predictive priors via a lightweight adaptive side-path, enabling adaptive predictive guidance under a single action-centric objective. Extensive experiments on both simulation and real-world robotic tasks demonstrate that ATI-VLA achieves state-of-the-art performance with faster convergence.
• Abstract（参考訳）: Predictive Vision-Language-Action (VLA)モデルは、将来の観測や世界ダイナミクス予測を通じてロボット操作を改善することを目的としている。 しかし、既存のアプローチは、しばしばこの可能性を実現できず、直接行動予測モデルが不十分である。 これらの制限は、観察と行動の間のモダリティのミスアライメントと、行動中心の目的から学習を遠ざけるような共同最適化の競合に起因している、と我々は主張する。 ATI-VLA(Action-Centric Predictive Vision-Language-Action framework)をActionable Alignment Then Adaptive Injection経由で導入する。 具体的には、以下の2段階の設計に従っている。 1)共有コードブックによる行動表現アライメント 両モードを共有離散潜在空間に統一されたコードブックを通じてマッピングすることで、予測観測と行動表現を整合させ、予測観測潜時を行動生成やモダリティの不整合の緩和に容易に利用できるようにする。 2)予測潜伏剤のアクション中心適応注入 これに基づいて、軽量な適応型サイドパスを通じて、予測遅延を明示的な予測事前としてアクションデコーディングに注入し、単一のアクション中心の目的の下で適応型予測ガイダンスを可能にする。 シミュレーションと実世界のロボットタスクに関する大規模な実験は、AIT-VLAがより高速な収束で最先端のパフォーマンスを達成することを示した。

関連論文リスト

• Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model [7.384043308834925]
  視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。 ダイニン・ロボティクスはこの定式化をダイニン・オムニに実装し、言語、視覚的観察、ゴール、アクションを離散トークンとして表現している。 我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。
  論文  参考訳（メタデータ） (2026-09-11T16:49:26Z)
• BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving [17.81940828370337]
  VLA(Vision-Language-Action)モデルはセマンティック推論のためにVLMの先行情報を利用するが、WAM(World Action Models)は生成的世界モデリングを通じて将来的な予測を提供する。 これは自然に、セマンティックプライドと予測ダイナミクスの両方を活用できる統一されたプランナーを動機付けます。 本稿では、意味論的推論と予測的世界モデリングを2つの特殊な行動指向経路に変換する、構造化された行動空間協調フレームワークBrainWAMを提案する。
  論文  参考訳（メタデータ） (2026-08-13T05:56:17Z)
• A Causality-aware Infer-diagnose-refine Framework for Test-time Modality Adaptation in VLA Models [16.665710235622214]
  Infer-diagnose-refine (IDR) フレームワークを提案する。 IDRはまず、視覚観察の事実的シナリオと反事実的シナリオの下でのアクションを推論し、視覚観察の因果効果を推定された動的重要性として診断する。 シミュレーションベンチマークと実世界のタスクの両方の実験では、複数のVLAバックボーン全体のパフォーマンスが改善されている。
  論文  参考訳（メタデータ） (2026-07-28T09:56:42Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning [71.19675094463834]
  この作業では、モデルが実行前に計画されたアクションを推論し、修正することを可能にする、自己修正型のVLAフレームワークである、Counterfactual VLAを導入している。 CF-VLAはまず、駆動意図を要約した時間分割メタアクションを生成し、その後、メタアクションと視覚コンテキストの両方で条件付けられた反実的推論を実行する。 大規模運転データセットの実験では、CF-VLAは軌道精度を最大17.6%向上し、安全基準を20.5%向上し、適応的思考を示す。
  論文  参考訳（メタデータ） (2025-12-30T19:04:17Z)
• HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model [54.64088247291416]
  操作ポリシー設計の基本的な目的は、ロボットに人間の指示を理解し、シーンの手がかりを推論し、動的な環境で一般化されたアクションを実行することである。 近年の自己回帰的視覚言語行動(VLA)法は、視覚言語モデル(VLM)から常識推論能力を継承し、次の行動予測を行う。 拡散に基づく行動の連続的な性質と自己回帰の文脈的推論を吸収する統合フレームワークであるHybridVLAを紹介する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:52Z)

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。