論文の概要: Juno: Taming Predictive Latents for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2610.09940v1
- Date: Wed, 07 Oct 2026 12:24:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.902462
- Title: Juno: Taming Predictive Latents for Vision-Language-Action Models
- Title（参考訳）: Juno: ビジョン・ランゲージ・アクションモデルのための予測的潜伏剤のモデリング
- Abstract要約: 制御整合表現バックボーン,予測教師,適応可能な動的モデルとして機能する統一フレームワークであるJunoを紹介する。
プレトレーニング中は、エンボディメント言語軌道上で学習し、動的CRS損失を用いて、動き重み付けされたパッチのダイナミクスをコンパクトなグローバルな状態に転送する。
政策学習中、私たちは現在のフレームJEPAパッチをVLA認識に融合させ、分離された推論ブランチを使用して、将来の潜在状態を抽出してアクション生成します。
展開中、私たちは、ロールアウトの失敗、適応された教師の凍結、方針の再調整など、すべての観察されたトランジションに世界モデルを適用する。
- 参考スコア（独自算出の注目度）: 14.903079938373729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint-embedding predictive architectures (JEPAs) predict masked or future observations in representation space, offering a natural source of predictive latents for vision-language-action (VLA) models. Yet making these latents useful across pretraining, policy learning, and deployment requires addressing three failures: mismatch with embodiment-specific control, interference with action learning, and teacher miscalibration under distribution shifts. We introduce Juno, a unified framework built around one action-conditioned JEPA that serves as a control-aligned representation backbone, a predictive teacher, and an adaptable dynamics model. During pretraining, we train it on embodiment-matched trajectories and use a dynamic CLS loss to transfer motion-weighted patch dynamics to a compact global state. During policy learning, we fuse current-frame JEPA patches into VLA perception and use a decoupled reasoning branch with separate transformation parameters to distill future latent states for action generation. During deployment, we adapt the world model on all observed transitions, including failed rollouts, freeze the adapted teacher, and re-align the policy on verified executions using LoRA adapters and a trainable action head, without expert corrections or task rewards. On SimplerEnv, Juno raises average success from $60.9\%$ to $68.5\%$ over Qwen3GR00T, the strongest baseline, and test-time adaptation further reaches $72.7\%$; on a real robot, it retains $70\%$--$75\%$ success under background, height, and object shifts where the base policy collapses to $0\%$.
- Abstract（参考訳）: 共同埋め込み予測アーキテクチャ(JEPA)は、表現空間におけるマスクまたは将来の観測を予測し、視覚言語アクション(VLA)モデルのための予測潜在候補の自然な情報源を提供する。
しかし、これらの潜伏者を事前訓練、政策学習、展開に役立てるためには、3つの失敗に対処する必要がある。
これは、制御整合表現バックボーン、予測教師、適応可能な動的モデルとして機能する、アクション条件付きJEPAを中心に構築された統合フレームワークである。
プレトレーニング中は、エンボディメント整合軌道上でトレーニングし、動的CRS損失を用いて、動き重み付けされたパッチのダイナミクスをコンパクトなグローバルな状態に転送する。
政策学習中に、現在のフレームJEPAパッチをVLA認識に融合させ、分離された変換パラメータを持つ分離された推論ブランチを使用して、将来の潜伏状態からアクション生成を蒸留する。
デプロイ中、私たちは、ロールアウトの失敗、適応された教師の凍結、LoRAアダプタとトレーニング可能なアクションヘッドを使用して、専門家の修正やタスク報酬なしで、検証された実行に関するポリシーの再調整を含む、すべての観察されたトランジションに世界モデルを適用する。
SimplerEnvで、JunoはQwen3GR00Tよりも60.9\%$から68.5\%$まで平均的な成功を上げ、テストタイムの適応は更に72.7\%$に達し、実際のロボットでは、背景、高さ、オブジェクトシフトの下で70\%$-75\%$の成功を保持し、基本方針が0\%$に崩壊する。
関連論文リスト
- JEPA Policy: Diffusion-Free Imitation Learning via Paired Action and Future Representation Prediction [6.889062419237111]
JEPA Policyは、アクションチャンクとその観測された将来の表現をペア化されたトレーニングターゲットとして使用する、拡散のないフレームワークである。
将来の予測は、アクションを生成するために使われる表現を形作ることができる。
その結果、反復的な生成サンプリングを伴わない低遅延ビズモータ模倣に対する実践的なアプローチとして、ペア・フューチャー・リ表現の監視を支援する。
論文 参考訳（メタデータ） (2026-09-09T02:42:20Z) - JEPA-x: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics [9.006010556484968]
自己予測モデルでは、エンコーダと予測器は共同で最適化され、潜伏遷移に適応することができる。
我々は、特権的物理軌道の潜在ダイナミクスを基盤とするクロス予測型JEPA(JEPA-x)を紹介する。
論文 参考訳（メタデータ） (2026-08-25T04:07:07Z) - JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling [23.76460420882974]
我々は,事前訓練されたV-JEPA空間に構築された潜水型WAMであるJEPA-WAMを紹介する。
遅延遷移予測と、共有予測器による連続的なアクション生成を結合する。
LIBERO-Plusでは、JEPA-WAMは79.2%を達成し、大規模なロボット政策の事前訓練を行わない最も良い結果となった。
論文 参考訳（メタデータ） (2026-08-10T09:57:54Z) - SG-WAM: Self-Guided World Modeling in Geometry-Aware Policy Space [12.198811616220835]
World Action Models (WAM)は、将来の状態を予測するアクション生成を結合する。
本稿では,SG-WAMを提案する。SG-WAMは,政策由来の表現空間において,幾何学的行動条件の動的性を直接学習する自己誘導型フレームワークである。
論文 参考訳（メタデータ） (2026-08-02T17:25:08Z) - Reinforcement World Model Learning for LLM-based Agents [60.65003139516272]
強化世界モデル学習(Reinforcement World Model Learning, RWML)は、LDMをベースとしたエージェントのための行動教師付き世界モデルを学ぶ自己条件付き手法である。
本手法は, モデルが生成したシミュレーションされた次の状態と, 環境から観測された次の状態とを一致させる。
本手法をALFWorldと2ドルのBenchで評価し,完全に自己管理されているにもかかわらず,ベースモデルに対する大幅な利得を観測した。
論文 参考訳（メタデータ） (2026-02-05T16:30:08Z) - 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) - On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。
現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。
本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
論文 参考訳（メタデータ） (2026-01-11T01:51:30Z) - TD-JEPA: Latent-predictive Representations for Zero-Shot Reinforcement Learning [63.73629127832652]
本稿では,TDに基づく潜在予測表現を教師なしRLに活用するTD-JEPAを紹介する。
TD-JEPAは、明示的な状態とタスクエンコーダ、ポリシー条件付きマルチステップ予測器、パラメータ化されたポリシーのセットを潜時空間で直接訓練する。
実証的には、TD-JEPAは13のデータセットにわたる移動、ナビゲーション、操作のタスクにおいて、最先端のベースラインをマッチまたは上回る。
論文 参考訳（メタデータ） (2025-10-01T10:21:18Z) - TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。
私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。
以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
論文 参考訳（メタデータ） (2025-09-15T12:25:39Z)
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。