論文の概要: ESP: Energy-Score Policy for One-Step Multimodal Action Generation

• arxiv url: http://arxiv.org/abs/2610.07696v1
• Date: Tue, 06 Oct 2026 03:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.787599
• Title: ESP: Energy-Score Policy for One-Step Multimodal Action Generation
• Title（参考訳）: ESP:ワンステップマルチモーダル行動生成のためのエネルギースコア政策
• Abstract要約: ESP(Energy-Score Policy)は,教師なしの手法で,政策コンテキストとノイズを直接アクションチャンクにマッピングする。 ESPは、平均二乗誤差ではなく、エネルギースコアでアクションヘッドを訓練する。二乗誤差回帰は条件平均を目標としているが、エネルギースコアは厳密である。 シミュレーションと実世界の操作タスクの両方の実験は、フローマッチングベースラインよりも動作生成遅延が著しく低い競合タスクの成功を実証している。
• 参考スコア（独自算出の注目度）: 15.02406330126765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative action models based on diffusion and flow matching have been increasingly adopted in vision-language-action (VLA) policies for their ability to capture diverse behaviors, including multiple valid action sequences under the same observation and instruction. Their iterative sampling procedures, however, require repeated network evaluations to generate each action chunk, increasing inference latency in closed-loop control. We propose ESP (Energy-Score Policy), a teacher-free approach that maps policy context and noise directly to an action chunk in a single network evaluation. ESP trains the action head with the energy score rather than mean squared error. Whereas squared-error regression targets the conditional mean, the energy score is strictly proper: its expected value is uniquely minimized by the target distribution. This provides a principled objective for learning multimodal action distributions without iterative sampling, with exact recovery at the population optimum when the model can represent the target distribution. Experiments on both simulation and real-world manipulation tasks demonstrate competitive task success with substantially lower action-generation latency than the flow matching baseline. These results support direct distributional learning as an efficient alternative to iterative generative robot policies.
• Abstract（参考訳）: 拡散とフローマッチングに基づく生成的アクションモデルは、同じ観察と指示の下で複数の有効なアクションシーケンスを含む多様な振る舞いをキャプチャする能力のために、視覚言語アクション(VLA)ポリシーにますます採用されている。 しかし、反復的なサンプリング手順では、各アクションチャンクを生成するために繰り返しネットワーク評価が必要であり、クローズドループ制御における推論遅延が増加する。 ESP(Energy-Score Policy)は,教師なしの手法で,政策コンテキストとノイズを直接アクションチャンクにマッピングする。 ESPは2乗誤差よりもエネルギースコアでアクションヘッドを訓練する。 二乗誤差回帰は条件平均を目標としているのに対し、エネルギースコアは厳密に適切なものであり、その期待値は目標分布によって一意に最小化される。 これは,モデルが対象の分布を表現できる場合に最適な個体群を正確に回復させることによって,反復的なサンプリングを伴わずにマルチモーダルな行動分布を学習するための原則的目的を提供する。 シミュレーションと実世界の操作タスクの両方の実験は、フローマッチングベースラインよりも動作生成遅延が著しく低い競合タスクの成功を実証している。 これらの結果は,反復的生成ロボットポリシーの代替として,直接分布学習を支援する。

関連論文リスト

• Quantile Head for Vision-Language-Action Models [51.02329790939691]
  我々は、中央値と正のギャップを予測し、1つの前方通過で順序付けられた境界作用量子化を形成するQuantile Headを開発する。 この量的目的は、中央値と正のギャップを予測し、1つの前方通過で順序付けられた辺りのアクション量子化を形成するQuantile Headの設計を導く。 実験の結果, この共同管理型中央値政策は, 比較手法の平均成功率が最も高いことがわかった。
  論文  参考訳（メタデータ） (2026-09-28T00:40:10Z)
• Refinement-based Flow Policy Optimization [6.752424962104772]
  Refinement-Based Flow Policy Optimization (RFPO)は、オンライン強化学習におけるフローポリシーをトレーニングするための新しいフレームワークである。 RFPOは、目標分布からの直接サンプルを必要とせず、Q-guidanceをポリシーに組み込む。 RFPOはモード崩壊なしで複雑なマルチモーダル構造を捕捉する。
  論文  参考訳（メタデータ） (2026-09-14T06:56:33Z)
• TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
  既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。 拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。 推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:03:31Z)
• LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models [13.30873593845724]
  LoopVLAは、表現の洗練、アクション予測、十分性推定を学習する、リカレントなVision-Language-Actionアーキテクチャである。 この結果から,LoopVLAはVLAポリシーの効率性向上のフロンティアを推し進め,パラメータを45%削減し,推論スループットを最大1.7倍向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-11T03:51:22Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Distributional Soft Actor-Critic with Diffusion Policy [12.762838783617658]
  本稿では,DSAC-D (Distributed Soft Actor Critic with Policy Diffusion) と呼ばれる分散強化学習アルゴリズムを提案する。 提案アルゴリズムは,9つの制御タスクすべてにおいて最先端(SOTA)性能を達成し,推定バイアスの大幅な抑制と,従来の主流アルゴリズムと比較して10%以上の平均戻り値の改善を実現している。
  論文  参考訳（メタデータ） (2025-07-02T05:50:10Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)

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。