論文の概要: Adapting Vision-Language-Action Models to Unknown Visual Disruptions During Execution

• arxiv url: http://arxiv.org/abs/2610.07946v1
• Date: Tue, 06 Oct 2026 08:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.887474
• Title: Adapting Vision-Language-Action Models to Unknown Visual Disruptions During Execution
• Title（参考訳）: 実行中の未知の視覚障害に対する視覚-言語-行動モデルの適用
• Abstract要約: ロボットがタスクを実行している間に視覚障害が発生する可能性があり、視覚言語アクション(VLA)ポリシーはタイプやタイミングを知らずに応答する。 左上軌道からの自己教師付き適応(SALT)について紹介する。 SALTはテスト時間適応のための自己スーパービジョンとして、以前のアクションチャンクの未実行部分である左上軌道を使用する。
• 参考スコア（独自算出の注目度）: 10.956260936426688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual disruptions can arise while a robot is executing a task, leaving a vision-language-action (VLA) policy to respond without knowing the disruption type or timing. We introduce Self-supervised Adaptation from Leftover Trajectories (SALT), which uses the leftover trajectory, the unexecuted part of the previous action chunk, as self-supervision for test-time adaptation. Because consecutive chunks overlap in time, the leftover provides a temporally aligned target for the current prediction over the same future control interval. At the onset of a visual shift, the leftover can retain a plan formed before the corruption, so updating the policy toward it anchors the adaptation across the shift (Transition Anchoring). SALT keeps the adapted policy and regenerates the current chunk, whose leftover becomes the target at the next replan, carrying the correction forward along the execution trajectory (Sequential Correction Propagation). Supervision comes entirely from the policy's own predictions, requiring no disruption annotations, expert actions, or target-domain demonstrations, and a lightweight adaptation gate calibrated only on nominal trajectories decides when updates begin. On LIBERO-10, SALT increases average success across five persistent visual corruptions from 43.9% to 53.2% with SmolVLA and from 58.7% to 66.0% with GR00T N1.7, while largely preserving nominal performance. On a real robot, it raises task progress averaged over digital and physical disruptions from 0.49 to 0.61.
• Abstract（参考訳）: ロボットがタスクを実行している間に視覚的ディスラプションが発生し、視覚言語アクション(VLA)ポリシーが中断タイプやタイミングを知らずに応答する。 テスト時間適応の自己スーパービジョンとして,前回のアクションチャンクの未実行部分である左上軌道を用いて,左上軌道からの自己監督的適応(SALT)を導入する。 連続したチャンクが時間内に重複するため、残余は、同じ将来の制御間隔で現在の予測に対して時間的に整列したターゲットを提供する。 視覚的シフトの開始時に、残余は汚職前に形成された計画を維持することができるので、その変更に対するポリシーの更新は、シフト全体の適応を固定する(遷移アンチョリング)。 SALTは、適応されたポリシーを保持し、現在のチャンクを再生し、その残余が次のリプランでターゲットとなり、実行軌道に沿って修正を前方に運ぶ(Sequential Correction Propagation)。 スーパービジョンは、ポリシーの独自の予測から生まれており、ディスラプションアノテーション、専門家のアクション、ターゲットドメインのデモンストレーションは必要とせず、更新がいつ始まるかを決める名目上の軌道のみに調整された軽量適応ゲートである。 LIBERO-10では、SmolVLAでは43.9%から53.2%、GR00T N1.7では58.7%から66.0%に、持続的な5つの視覚的汚職の平均的な成功率は43.9%から53.2%に増加した。 実際のロボットでは、デジタルおよび物理的破壊の平均タスク進捗を0.49から0.61に引き上げる。

関連論文リスト

• Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
  複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。 状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。 動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
  論文  参考訳（メタデータ） (2026-09-27T14:12:27Z)
• Beyond Appearance Shifts: Task-Semantic Action Calibration for VLA Models [5.6961461689283235]
  凍結ベースVLA上に構築されたタスクセマンティックアクションキャリブレーションフレームワークであるBAS-VLAを提案する。 BAS-VLAは、OpenPI-pi0.5 / LIBERO-Object Milk-Swapベンチマークにおいて、クリーン(98.0%)とセマンティクス保存条件(97.5%)で高い成功を維持していることを示す。 これらの結果は、信頼性の高いVLA動作は、外見を超えて明示的なタスク・セマンティック・アクション・キャリブレーションに移行する必要があることを強調している。
  論文  参考訳（メタデータ） (2026-09-20T13:54:45Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
  一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。 我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T13:05:29Z)
• RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
  汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。 ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。 RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
  論文  参考訳（メタデータ） (2026-08-10T17:09:37Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies [26.372187124257362]
  固定長アクションチャンクを実行するVLA(Vision-Language-Action)ポリシーは、マルチモーダル分岐を示す。 フローマッチングVLAのトレーニング不要な推論時間であるSEAM(Smooth Execution of Action-Chunked Motion)を提案する。 pi_0.5のLIBERO-10では、SEAMは境界ジャークを28%減らし、チャンク遷移の不連続を27%減らし、ベースラインレベルのタスク成功を保ち、無誘導ベースライン付近でデノジングループコストを抑える。
  論文  参考訳（メタデータ） (2026-07-06T02:32:10Z)

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。