論文の概要: TempoBridge: Language-Guided Tempo Control for Vision-Language-Action Policies
- arxiv url: http://arxiv.org/abs/2610.09451v1
- Date: Wed, 07 Oct 2026 05:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.721573
- Title: TempoBridge: Language-Guided Tempo Control for Vision-Language-Action Policies
- Title（参考訳）: TempoBridge:視覚言語アクションポリシーのための言語誘導型テンポ制御
- Abstract要約: 本研究では,TempoBridgeを紹介した。TempoBridgeは,各タスクフェーズにおけるテンポキューに従って動作を変調するフレームワークである。
LIBEROタスク全体で、TempoBridgeはテンポ継承率を52.6%から89.7%に改善している。
また、テンポキューが存在しない場合のベースラインに近いパフォーマンスを保ち、追加のトレーニングなしでテンポ表現に一般化する。
- 参考スコア（独自算出の注目度）: 4.139180051978905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models are effective at understanding what task to perform, but provide limited control over how it should be executed, such as moving quickly or slowly. We introduce TempoBridge, a lightweight framework that uses frozen VLA representations to modulate actions according to tempo cues in the instruction at each task phase, without additional tempo-conditioned robot demonstrations or tempo-specific base-policy fine-tuning. TempoBridge extracts tempo cues from contextual VLM representations, aligns them with task progress through a causal phase router, and modulates nominal motion commands during execution. Across LIBERO tasks, TempoBridge improves Tempo Success Rate from 52.6% to 89.7% under canonical tempo instructions while retaining high task success. It also preserves near-baseline performance when no tempo cue is present and generalizes to unseen tempo expressions without additional training. Experiments on a physical robot further demonstrate language-conditioned tempo modulation in real-world manipulation.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、どのタスクを実行するかを理解するのに効果的であるが、素早く、ゆっくり動くなど、実行方法の限定的な制御を提供する。
本稿では,凍結したVLA表現を用いて,各タスクフェーズにおけるテンポの指示に従って動作を変調する軽量なフレームワークであるTempoBridgeについて紹介する。
TempoBridgeは、コンテキストVLM表現からテンポキューを抽出し、因果位相ルータを通じてタスク進捗を調整し、実行中に名指し動作コマンドを変調する。
LIBEROタスク全体では、TempoBridgeはTempo Success Rateを52.6%から89.7%に改善し、高いタスク成功を維持している。
また、テンポキューが存在しない場合のベースラインに近いパフォーマンスを保ち、追加のトレーニングなしでテンポ表現に一般化する。
物理ロボットの実験は、現実世界の操作における言語条件のテンポ変調をさらに実証する。
関連論文リスト
- Directed Temporal Representations for Offline Visual Control [6.821224693665539]
本稿では,制御のための時間表現について紹介する。
凍結したLeWorldModel上で、オフラインのビジュアルトラジェクトリからこのような幾何学を学ぶ。
計画や直接政治のベースラインと比較して、目標条件の強い制御性能を達成する。
論文 参考訳（メタデータ） (2026-10-06T18:26:53Z) - RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models [65.30288525352879]
フローベース視覚言語アクション(VLA)モデルは、汎用ロボット操作に非常に効果的である。
計算コストのかかるVLMエンコーディングとマルチステップ反復アクション生成に依存しているため、大きな遅延ボトルネックが生じる。
本稿では、VLMバックボーンとアクションエキスパートの両方の計算ボトルネックに対処する非同期推論フレームワークであるRAVELを用いて、この制限に対処する。
論文 参考訳（メタデータ） (2026-09-28T02:45:40Z) - Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。
Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。
4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
論文 参考訳（メタデータ） (2026-09-16T06:38:36Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - Explicit Language Memory for Long-Horizon Planning in Vision-Language-Action Models [4.644589778994777]
視覚言語アクション(VLA)モデルは、視覚知覚、言語理解、ロボット制御を接続するための統一的なパラダイムを提供する。
本稿では,言語メモリモジュールを明示した階層型長水平VLAアーキテクチャを提案する。
提案手法を複数のシミュレーション環境で評価し,実際のロボットプラットフォーム上でシミュレート・トゥ・リアルな実験を行う。
論文 参考訳（メタデータ） (2026-08-05T12:32:15Z) - 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) - TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。
1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。
我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
論文 参考訳（メタデータ） (2026-06-26T12:19:28Z) - Acting While Understanding: Asynchronous Semantic-Action Decoupling for Real-Time Vision-Language-Action Models [26.864668803085888]
VLA(Vision-Language-Action Model)は、ロボット操作において強力なタスク理解と一般化を実証している。
本稿では,意味的理解と行動生成を分離する非同期なセマンティック・アクション・デカップリング・フレームワークを提案する。
提案手法は,最大35.6Hzのサーバ側動作モジュール推論スループットを実現し,高周波クローズドループ制御への低侵襲パスを提供する。
論文 参考訳（メタデータ） (2026-06-13T12:49:42Z) - TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。
予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。
我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
論文 参考訳（メタデータ） (2026-06-04T17:59:40Z) - ST-$π$: Structured SpatioTemporal VLA for Robotic Manipulation [24.44733656837927]
ロボット操作のための構造化時間Vモデルを提案する。
本モデルは, 1) 時間的 VLM と 2) 時間的行動専門家の2つの重要な設計によって導かれる。
さらに,微調整のためのアノテーションを付加した実世界のロボットデータセットを提案する。
論文 参考訳（メタデータ） (2026-04-20T06:48:47Z) - AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。
AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。
ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2026-01-27T14:10:39Z)
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。