論文の概要: Vela: Scaling Vision-Language-Action Models with Adaptive Action Curve Parametrization

• arxiv url: http://arxiv.org/abs/2610.05230v1
• Date: Sun, 04 Oct 2026 13:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:28:31.361933
• Title: Vela: Scaling Vision-Language-Action Models with Adaptive Action Curve Parametrization
• Title（参考訳）: Vela: アダプティブアクション曲線パラメトリゼーションによる視覚・言語・アクションモデルのスケーリング
• Abstract要約: 本稿では,未来ロボットの動作を連続的軌跡として表現する視覚-言語-行動基盤モデルであるVelaを紹介する。 Velaは、コンパクトなスプラインベースのアクション表現と、運動に依存した時間的サポートと、異種エボディメントのための共有アクションインターフェースを組み合わせる。 大規模多体ロボットデータを用いてVelaを事前訓練し,LIBERO-X, EBench, および2つの現実世界の長距離作業, 卵焼き調理, ジャガイモの細断について評価した。
• 参考スコア（独自算出の注目度）: 45.879545851800934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most vision-language-action models represent future motion as fixed-rate action chunks, tying temporal resolution and prediction horizon to a fixed output budget. This pointwise representation wastes capacity on highly correlated neighboring actions, leaves temporal continuity and smoothness to be learned implicitly, and forces a tradeoff between long-horizon coverage and the local precision required for contact-rich manipulation. To address these limitations, we introduce Vela, a vision-language-action foundation model that represents future robot behavior as continuous trajectories. Vela combines a compact spline-based action representation with motion-dependent temporal support and a shared action interface for heterogeneous embodiments, allowing a fixed output budget to adapt its temporal resolution across motions. We pretrain Vela on large-scale multi-embodiment robot data and evaluate it on LIBERO-X, EBench, and two real-world long-horizon tasks, egg-cake cooking and potato shredding, obtaining promising results across simulation and physical manipulation. These results highlight the potential of continuous action representations as a foundation for future embodied foundation models. Project page and more results: https://clementine24.github.io/Vela/ .
• Abstract（参考訳）: ほとんどの視覚言語アクションモデルは、将来の動きを固定レートのアクションチャンクとして表現し、時間分解能と予測の地平を固定出力予算に結び付ける。 このポイントワイズ表現は、高度に相関した隣り合う行動に容量を浪費し、時間的連続性と滑らかさを暗黙的に学習し、コンタクトリッチな操作に必要な長期被覆と局所精度のトレードオフを強制する。 これらの制約に対処するために,将来のロボット行動を連続的軌跡として表現する視覚言語行動基盤モデルであるVelaを紹介する。 Velaは、コンパクトなスプラインベースのアクション表現と、運動依存の時間的サポートと、異種エンボディメントのための共有アクションインターフェースを組み合わせることで、固定出力予算がその時間的解像度を運動全体に適応させることができる。 大規模多体ロボットデータを用いてVelaを事前訓練し,LIBERO-X, EBench, および2つの現実世界の長距離作業, 卵焼き調理, ジャガイモの細断を行い, シミュレーション, 物理的操作において有望な結果を得た。 これらの結果は、将来の具体的基礎モデルの基礎として、連続的な行動表現の可能性を強調している。 プロジェクトページとさらなる結果:https://clementine24.github.io/Vela/。

関連論文リスト

• WALL-SS: Scaling Long-horizon World Models via Next-Scale Autoregression [24.010807495676605]
  生成的世界モデルは、相互作用の下で世界がどのように進化するかの予測モデルを提供する。 WALL-SSは,スケールワイドの自己回帰スケーリングによって視覚的未来を生成する世界モデルである。 We show that WALL-SS improves action following and trajectory accuracy, support coherent minute-long streaming rollout under bounded memory, and consistent benefit of on-policy alignment。
  論文  参考訳（メタデータ） (2026-08-26T17:57:12Z)
• TS-Mask VLA: 2D Temporal-Spatial Masking for Vision-Language-Action Model with Effective Bridging [18.666233973595762]
  TS-Mask VLAはロボット操作のための視覚言語アクションフレームワークである。 本手法は,(1)ブリッジアテンションコンディショニングブリッジを備えた離散アクションエキスパート,(2)時空間2Dマスキング戦略の2つの重要な設計に基づいて構築されている。 0.5Bパラメータしか持たない平均的な成功率は9%に達し、かなり大きなモデルを上回る。
  論文  参考訳（メタデータ） (2026-07-10T07:06:02Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems [32.4918638412746]
  VLA(Vision-Language-Action)モデルは、知覚と言語を作用させるエンボディエージェントを構築するための有望なパラダイムとして登場した。 本稿では,VLAシステムにおける暗黙的な計画を可能にする統合フレームワークであるWorld-Value-Action(WAV)モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-16T07:46:05Z)
• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model [73.03346643967309]
  我々は、効果的な共同運動予測モデルには、時間的連続性と視覚的条件による監督的疎結合の両方が必要であると論じる。 FutureVLAは、視覚情報と運動情報を最初に分離することで、関節振動子埋め込みを抽出するように設計されている。 訓練後の段階において、我々は遅延埋め込みアライメント戦略を採用し、様々な下流VLAモデルによりこれらの時間的先行を内部化することができる。
  論文  参考訳（メタデータ） (2026-03-11T12:39:55Z)
• 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)
• A Spatio-temporal Transformer for 3D Human Motion Prediction [39.31212055504893]
  本研究では,3次元人間の動きの生成モデル作成作業のためのトランスフォーマーに基づくアーキテクチャを提案する。 実験により,これが基礎となる運動力学を効果的に学習し,自己回帰モデルで観測される時間経過に伴う誤差の蓄積を低減することを示した。
  論文  参考訳（メタデータ） (2020-04-18T19:49:28Z)

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。