論文の概要: ViDAL: A Visual Dynamics-Grounded Action Latent Space for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.08150v1
• Date: Tue, 06 Oct 2026 11:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.956161
• Title: ViDAL: A Visual Dynamics-Grounded Action Latent Space for Vision-Language-Action Models
• Title（参考訳）: ViDAL:視覚・言語・アクションモデルのための動的ダイナミックグラウンドアクション潜在空間
• Abstract要約: 本稿では,視覚力学を基盤としたアクションラテント空間ViDALを紹介し,シーンの視覚力学における連続的なアクションラテントをアンカーする。 具体的には、アクション変分オートエンコーダ(Action VAE)をトレーニングし、アクションチャンクを再構築することで、アクション潜時空間を学習する。 下流ロボットポリシーに統合されると、提案されたAction VAEは複数のVLAアーキテクチャと互換性のあるプラグインアクションインターフェースとして機能する。
• 参考スコア（独自算出の注目度）: 23.40831784917559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have become a central paradigm for robot policy learning, which predict actions in three forms: raw action chunks, discrete action tokens, or continuous action latents. However, existing action representations primarily model action trajectories, with limited consideration of the visual dynamics induced by these actions. We introduce ViDAL, a Visual Dynamics-grounded Action Latent Space that anchors continuous action latents in the future visual dynamics of the scene. Specifically, ViDAL learns action latent space by training an Action Variational Autoencoder (Action VAE) to reconstruct action chunks while aligning its latent with future scene dynamics. When integrated into downstream robot policies, the proposed Action VAE serves as a plug-in action interface compatible with multiple VLA architectures and enables optional future-video prediction as an additional capability. Empirically, ViDAL outperforms competitive baselines on LIBERO with 98.1% average success, improves a multi-task $π_{0.5}$ policy on RoboTwin 2.0 from 54.3% to 65.5% (Clean) and from 33.2% to 43.1% (Random) success rates over 50 dual-arm tasks, and yields 20.0% and 23.4% absolute success-rate gains on real-world single-arm Franka and dual-arm ARX robot platforms.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、生のアクションチャンク、離散的なアクショントークン、連続的なアクションラテントという3つの形式のアクションを予測するロボットポリシー学習の中心パラダイムとなっている。 しかし、既存の行動表現は主に行動軌跡をモデル化し、これらの行動によって引き起こされる視覚力学を限定的に考慮する。 本稿では,視覚力学を基盤としたアクションラテント空間ViDALを紹介し,シーンの視覚力学における連続的なアクションラテントをアンカーする。 具体的には、アクション変分オートエンコーダ(Action VAE)をトレーニングし、アクションチャンクを再構築し、その潜時空間と将来のシーンダイナミクスを整列させることで、アクション潜時空間を学習する。 下流ロボットポリシーに統合されると、提案されたAction VAEは、複数のVLAアーキテクチャと互換性のあるプラグインアクションインターフェースとして機能し、追加機能として、オプションで将来の映像予測を可能にする。 ViDALは、平均98.1%の成功でLIBEROの競争ベースラインを上回り、RoboTwin 2.0のマルチタスクであるπ_{0.5}$ポリシーを54.3%から65.5%(Clean)に改善し、33.2%から43.1%(Random)の成功率を50のデュアルアームタスクで上回り、20.0%と23.4%の絶対成功率を獲得している。

関連論文リスト

• WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
  実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。 異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。 WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
  論文  参考訳（メタデータ） (2026-09-29T17:26:22Z)
• Grounded Action Model: 3D Grounding as a Foundation for Robotics [29.02274437902474]
  Grounded Action Models (GAMs) は、3Dグラウンドで構築されたロボット基盤モデルの新たなパラダイムである。 RoboTwin 2.0では、50タスクの平均成功率は55.3%である(空間強制では52.0%)。 LIBERO-PROでは、16の摂動設定で61%(vs.53% for $_0.5$)の最先端の平均成功率を達成する。
  論文  参考訳（メタデータ） (2026-09-20T20:35:39Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• 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)
• Do World Action Models Generalize Better than VLAs? A Robustness Study [25.418384276142223]
  視覚言語アクション(VLA)は、様々なロボットタスクで顕著な成功を収めた。 世界行動モデル(WAM)は、将来の状態を予測するために大量のビデオデータに基づいて訓練された世界モデルに基づいて構築される。 LIBERO-Plus と RoboTwin 2.0-Plus のベンチマークにおいて,様々な視覚的・言語的摂動による性能評価を行った。
  論文  参考訳（メタデータ） (2026-03-23T15:13:15Z)
• GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
  GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。 実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
  論文  参考訳（メタデータ） (2026-03-18T00:52:02Z)

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。