論文の概要: ChunkVLA-AM: Parallel Action Chunking for Vision-Language-Action Robot Control in Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2610.01856v1
• Date: Thu, 01 Oct 2026 15:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.221204
• Title: ChunkVLA-AM: Parallel Action Chunking for Vision-Language-Action Robot Control in Additive Manufacturing
• Title（参考訳）: ChunkVLA-AM: 付加製造におけるビジョンランゲージ・アクション・ロボット制御のための並列アクション・チャンキング
• Abstract要約: 視覚言語アクション(VLA)モデルは、視覚知覚、言語理解、行動生成を統一する。 固定AMワークセル内のFAIRINO FR3ロボットにOpenVLA-OFTをデプロイするためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.499582394795737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models unify visual perception, language understanding, and action generation, offering new opportunities for automation in additive manufacturing (AM). However, deployment in AM remains challenging because adapting these models to unseen robot embodiments is costly, and performance can degrade under environment changes. In this work, we present a framework for deploying OpenVLA-OFT on a FAIRINO FR3 robot in a fixed AM workcell. A data pipeline converts monocular real-world demonstrations into OpenVLA-compatible TFDS/RLDS datasets to support adaptation to the FR3 embodiment. At runtime, each inference request predicts an eight-step chunk of 7-D actions. The FR3 executes each chunk open loop before capturing a new observation, providing closed-loop feedback between chunks. The system uses a cloud-edge architecture in which the FR3 client streams observations to a remote inference server through a FastAPI interface. In 42 physical A-to-B object-transfer trials, evenly split between red and blue targets, the system succeeded in 39 (92.9%). All three failures occurred during final placement, when insufficient release-height control caused the object to topple. An illumination sweep identified a low-error luminance range of 85-125 on a 0-255 scale, with the lowest mean spatial error at 95.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、視覚知覚、言語理解、行動生成を統一し、添加物製造(AM)における自動化の新しい機会を提供する。 しかし、これらのモデルを見えないロボットに適応させることはコストがかかり、環境が変化しても性能が劣化する可能性があるため、AMでの展開は依然として困難である。 本研究では,固定AMワークセル内のFAIRINO FR3ロボットにOpenVLA-OFTをデプロイするためのフレームワークを提案する。 データパイプラインは、モノラルな現実世界のデモをOpenVLA互換のTFDS/RLDSデータセットに変換し、FR3エボディメントへの適応をサポートする。 実行時に、各推論要求は8ステップの7-Dアクションを予測します。 FR3は、新しい観察をキャプチャする前に各チャンクオープンループを実行し、チャンク間のクローズループフィードバックを提供する。 このシステムはクラウドエッジアーキテクチャを使用しており、FR3クライアントはFastAPIインターフェースを介してリモートの推論サーバに観測をストリームする。 42の物理的A-to-Bオブジェクト転送試験では、赤と青のターゲットを均等に分け、39(92.9%)で成功した。 3つの障害は最終配置中に発生し、リリースハイト制御が不十分であったため、物体は転倒した。 照明スイープでは、0-255スケールで85-125の低エラー照度範囲が特定され、平均空間誤差は95。

関連論文リスト

• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• GEAR-VLA: Learning Geometry-Aware Action Representations for Generalizable Robotic Manipulation [49.16739604572808]
  VLA(Vision-Language-Action)モデルは、強力なベンチマークパフォーマンスを実現するが、目に見えないオブジェクトによる現実世界のデプロイに苦労する。 これは、統合幾何認識の操作表現が欠如していることに起因していると我々は主張する。 一般化可能なロボット操作のための統合幾何認識行動表現を学習するためのVLAフレームワークであるGEAR-VLAを提案する。
  論文  参考訳（メタデータ） (2026-06-07T09:23:16Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• Sentinel-VLA: A Metacognitive VLA Model with Active Status Monitoring for Dynamic Reasoning and Error Recovery [62.75419724651416]
  textbfSentinel-VLAは,リアルタイム実行状況を監視するアクティブセンチネルモジュールを備えたメタ認知型VLAモデルである。 すべてのトレーニングデータは、設計したパイプラインを通じて自動生成され、注釈付けされます。 実世界の実験では、Sentinel-VLAはSOTAモデルであるPI0と比較してタスク成功率を30%以上向上することを示した。
  論文  参考訳（メタデータ） (2026-05-02T02:10:54Z)
• LiteVLA-Edge: Quantized On-Device Multimodal Control for Embedded Robotics [0.6119773373677944]
  本稿では,Jetson Orinクラスハードウェア上でのデバイス上での完全な推論のための,デプロイメント指向のVLAパイプラインであるLiteVLA-Edgeを紹介する。 提案手法は、FP32における教師付きイメージ・ツー・アクションの微調整と、4ビットGGUF量子化とGPU加速推論を組み合わせたものである。 我々の構成では、LiteVLA-Edgeは、完全にオフラインで動作しながら、150.5,ms(約6.6,Hz)の平均エンドツーエンドランタイムを達成する。
  論文  参考訳（メタデータ） (2026-03-03T03:20:52Z)
• ActionFlow: A Pipelined Action Acceleration for Vision Language Models on Edge [11.016302257907936]
  VLA(Vision-Language-Action)モデルは、ロボットの知覚と制御の統一パラダイムとして登場した。 現在のVLAモデルは、自己回帰復号のメモリバウンド特性のため、エッジデバイス上でわずか3-5Hzで動作する。 本稿では,リソース制約のあるエッジプレート形式に適したシステムレベルの推論フレームワークであるActionFlowを紹介する。
  論文  参考訳（メタデータ） (2025-12-23T11:29:03Z)
• Affordance Field Intervention: Enabling VLAs to Escape Memory Traps in Robotic Manipulation [25.496791183299692]
  Affordance Field Intervention (AFI)は、SAFをオンデマンドプラグインとして使用してVLA動作をガイドする軽量なハイブリッドフレームワークである。 VLAバックボーンの平均改善率は23.5%である。
  論文  参考訳（メタデータ） (2025-12-08T11:57:13Z)
• 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)

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。