論文の概要: SWAP: Stepwise Action Policy Routing for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.06926v1
• Date: Sat, 03 Oct 2026 00:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.467984
• Title: SWAP: Stepwise Action Policy Routing for Vision-Language-Action Models
• Title（参考訳）: SWAP:視覚・言語・行動モデルのためのステップワイドアクションポリシールーティング
• Abstract要約: 実行中に複数のVLAポリシーを動的に構成するフレームワークについて紹介する: StepWise Action Policy Routing (SWAP) SWAPは、現在の観察から、各決定ステップで最も適切なポリシーを選択するルーティング評論家を学ぶ。 実世界のDROID操作タスクとLIBEROシミュレーション実験の両方においてSWAPを評価する。
• 参考スコア（独自算出の注目度）: 9.911838990557477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot manipulation systems using Vision-Language-Action (VLA) model backbones typically use just one VLA for task execution. However, individual VLAs do not perform well across different task states and environments. We introduce a framework for dynamically composing multiple VLA policies during execution: StepWise Action Policy Routing (SWAP). SWAP formulates policy routing as an offline reinforcement learning problem, learning a routing critic that selects the most appropriate policy at each decision step given the current observation. SWAP enables robots to select new policies to execute online rather than committing to a single policy for the duration of an episode. We evaluate SWAP on both real-world DROID manipulation tasks and LIBERO simulation experiments. SWAP improves over fixed-policy execution and routing baselines, giving absolute improvements in real-world task success up to 33% while reducing successful trajectory robot action step length by 28.3%.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルバックボーンを用いたロボット操作システムは通常、タスク実行に1つのVLAを使用する。 しかしながら、個々のVLAは異なるタスク状態や環境に対してうまく機能しない。 本稿では,実行中に複数のVLAポリシーを動的に構成するフレームワークについて紹介する。 SWAPは、ポリシールーティングをオフラインの強化学習問題として定式化し、現在の観察から各決定ステップで最も適切なポリシーを選択するルーティング評論家を学習する。 SWAPにより、ロボットはエピソードの期間中の単一のポリシーにコミットするのではなく、オンラインで実行するための新しいポリシーを選択することができる。 実世界のDROID操作タスクとLIBEROシミュレーション実験の両方においてSWAPを評価する。 SWAPは固定されたポリシーの実行とルーティングのベースラインを改善し、実際のタスクの成功を最大33%改善し、軌道ロボットのアクションステップを28.3%短縮した。

関連論文リスト

• Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing [59.15715295478112]
  視覚言語アクション(VLA)ポリシーは、ロボットが実行した動作が命令された動作から逸脱した場合にしばしば失敗する。 本稿では,VLAポリシーがロボットの実行エラーを事前に補償できるデプロイ時適応手法である自己補償型VLAを提案する。
  論文  参考訳（メタデータ） (2026-09-29T12:08:13Z)
• TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation [49.02604313942616]
  VLA(Reactive Vision-Language-action)ポリシーは、長時間の操作においてタスク状態のエイリアスに悩まされる。 本稿では,VLAのネイティブ入力空間に実行コンテキストを注入することでタスク状態を基底とする軽量アダプタTaskAnchorを提案する。 長期のベンチマークではTaskAnchorが大幅に上昇し、pi0.5とX-VLAのベースラインの平均的な成功率の6倍に達する。
  論文  参考訳（メタデータ） (2026-09-20T11:57:10Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Improving Robotic Generalist Policies via Flow Reversal Steering [92.97477771370428]
  汎用ポリシーは多様なロボットデータセットから幅広いスキルを学ぶことができる。 新しい課題を解決し、改善するためには、ポリシーのリッチな振る舞いから適切なアクションを推論し、呼び出す方法が必要です。 本稿では,フローリバーサルステアリング (FRS) を提案し,フローポリシーを逆に通すことで,最適だが合理的な動作をとる手法を提案し,それらを一般の動作モードにマッピングする。
  論文  参考訳（メタデータ） (2026-06-11T17:59:45Z)
• TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models [49.463896453707065]
  VLA(Vision-Language-Action)モデルは目覚ましい進歩を遂げているが、展開時の分散シフトには弱いままである。 近年のVLAモデルは、プロンプトが政策行動の効率的なインターフェースとして機能することを示唆しているが、既存のプロンプトベースのステアリングは通常、外部ガイダンスに依存している。 VLAのテストタイムトレーニング(TTT)は、プロンプトの最適化によって実現可能か? 我々は、遅延プロンプト最適化(LPO)に基づくテスト時間トレーニングフレームワークであるTTT-VLAでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-06-02T04:10:39Z)
• Beyond Action Residuals: Real-World Robot Policy Steering via Bottleneck Latent Reinforcement Learning [42.74142065376427]
  本稿では,Z-Perturbation Reinforcement Learning (ZPRL)を提案する。 現実世界では、ZPRLは模倣ベースポリシーよりも4つのタスクの平均成功率を33.7%向上させる。
  論文  参考訳（メタデータ） (2026-05-19T14:43:26Z)
• RoboRouter: Training-Free Policy Routing for Robotic Manipulation [28.477634030948376]
  我々は、インテリジェントなポリシールーティングを通じて、既存のアプローチの補完的強みを活用することを提案する。 我々は、不均一なポリシーのプールを維持し、各タスクで最高のパフォーマンスのポリシーを選択することを学ぶ、トレーニング不要のフレームワークであるRoboを紹介した。 この結果から,不均一なオフザシェルフポリシを介するインテリジェントなルーティングが,より有能なロボットシステムを構築するための実用的でスケーラブルな経路を提供することが示された。
  論文  参考訳（メタデータ） (2026-03-09T02:14:32Z)
• Improving Pre-Trained Vision-Language-Action Policies with Model-Based Search [7.9342097024286815]
  VLAPS(Vision-Language-Action Planning & Search)について紹介する。 モデルベースの検索を事前訓練されたVLAポリシーの推論手順に組み込む。 VLAPSは、言語指定タスクにおけるVLAのみのベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-08-17T02:59:42Z)

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。