論文の概要: WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.11508v2
• Date: Tue, 13 Oct 2026 02:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.767963
• Title: WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models
• Title（参考訳）: WARP-VLA:ビジョン・ランゲージ・アクションモデルにおけるビュー・ロバスト政策実行のためのリストカメラ適応
• Abstract要約: WARP-VLA(WARP-VLA)は、様々な手首カメラ構成用のカメラビューロバストなVLAである。 WARP-VLA は pi-0.5 の平均成功率を 39.2% から 78.3% に改善することを示した。
• 参考スコア（独自算出の注目度）: 21.43575545487911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent advances in Vision-Language-Action models (VLAs) for robotic manipulation, their performance remains sensitive to changes in camera configuration. The problem becomes more evident in cross-setup deployment, as reproducing the exact camera pose used for training is nearly impossible. Unlike fixed external views, wrist views are more challenging because the camera moves with the robot, causing even small mounting variations to alter fine-grained geometric cues. To address this, we propose WARP-VLA, a camera-view robust VLA for diverse wrist camera configurations. WARP-VLA adopts a Mixture-of-Experts (MoE) architecture where individual experts learn view-specific feature transformations, and a router combines them based on implicit view information. This allows the policy to be deployed without requiring camera extrinsic parameters as additional input. Through experiments on the LIBERO benchmark, WARP-VLA improves the average success rate of pi-0.5 from 39.2% to 78.3% under wrist-view perturbations. The real-robot experiments further show that the feature-level adaptation learned in simulation successfully transfers to diverse deployment settings. To facilitate reproducibility and future research, we release our wrist viewpoint robustness benchmark and a plug-and-play implementation.
• Abstract（参考訳）: ロボット操作のためのビジョン・ランゲージ・アクション・モデル(VLA)の最近の進歩にもかかわらず、その性能はカメラ構成の変化に敏感である。 トレーニングに使用される正確なカメラポーズを再現することはほぼ不可能であるため、クロスセットアップデプロイメントでは問題はさらに明確になる。 固定された外部ビューとは異なり、カメラがロボットと共に動くため、手首のビューはより難しい。 そこで我々は,多様な手首カメラ構成のためのカメラビューロバストなVLAであるWARP-VLAを提案する。 WARP-VLAはMixture-of-Experts (MoE)アーキテクチャを採用しており、個々の専門家がビュー固有の特徴変換を学習し、ルータが暗黙のビュー情報に基づいてそれらを結合する。 これにより、追加入力としてカメラ外部パラメータを必要とせずにポリシーをデプロイできる。 LIBEROベンチマークの実験により、WARP-VLA は pi-0.5 の平均成功率を 39.2% から 78.3% に改善した。 実ロボット実験は、シミュレーションで得られた特徴レベル適応が、多様なデプロイメント設定への転送に成功していることを示している。 再現性と今後の研究を容易にするため,我々は手首視点頑健性ベンチマークとプラグ・アンド・プレイ実装をリリースする。

関連論文リスト

• VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation [6.582515536566497]
  VersaCamVLAはカメラ設定可能なフレームワークで、アクション学習からカメラセット表現を分離する。 VersaCamVLAは、任意のRGBビューの可変セットを固定サイズの潜在シーントークンにマッピングする、統一されたシーンツーケンインターフェイスを学習する。 RoboTwin、LIBERO、および実ロボットプラットフォームに関する実験は、VersaCamVLAが以前のVLAメソッドよりも一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2026-10-08T17:58:47Z)
• From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model [72.8641426724502]
  カメラ中心型VLA(CamVLA)は、カメラ幾何学から制御を分離する新しいVLAモデルである。 CamVLAは、さまざまな見当たらない視点での成功率を継続的に改善する。
  論文  参考訳（メタデータ） (2026-07-06T17:59:59Z)
• Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
  本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。 幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。 動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
  論文  参考訳（メタデータ） (2026-05-12T09:21:29Z)
• Multi-Camera View Scaling for Data-Efficient Robot Imitation Learning [57.88781687419521]
  複数の同期カメラパースペクティブを使用して、各専門家軌跡から擬似演示を生成する。 シミュレーションと実世界の操作タスクの実験は、データ効率と一般化の著しい向上を示している。 以上の結果から,カメラビューのスケーリングは,模倣学習のための実用的でスケーラブルなソリューションであることが示唆された。
  論文  参考訳（メタデータ） (2026-04-01T07:00:44Z)
• AnyCamVLA: Zero-Shot Camera Adaptation for Viewpoint Robust Vision-Language-Action Models [33.20237572326132]
  デモデータやポリシーの微調整,アーキテクチャの変更を伴わないゼロショットカメラ適応フレームワークを提案する。 私たちのキーとなるアイデアは、テスト時間カメラの観察をリアルタイムで調整し、トレーニングカメラの設定に合わせることです。 このアプローチは、ポリシーの微調整や視覚入力のための3D認識機能にデータ拡張を使用するベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-06T03:44:23Z)
• PoseDiff: A Unified Diffusion Model Bridging Robot Pose Estimation and Video-to-Action Control [67.17998939712326]
  本稿では,ロボットの状態推定と制御を単一のフレームワーク内で統一する条件拡散モデルPoseDiffを提案する。 中心となるPoseDiffは、生の視覚を3Dキーポイントや関節角などの構造化されたロボットの状態にマッピングする。 この基盤の上に構築されたPoseDiffは、ビデオからアクションへの逆ダイナミクスに自然に拡張する。
  論文  参考訳（メタデータ） (2025-09-29T10:55:48Z)
• Grounding Actions in Camera Space: Observation-Centric Vision-Language-Action Policy [47.51062818231493]
  本稿では,カメラの観測空間にアクション予測を直接適用するOC-VLA(Observatory-Centric VLA)フレームワークを紹介する。 OC-VLAは、ロボットベース座標系からカメラ座標系にエンドエフェクターポーズを変換する。 この戦略は、カメラ視点の変化に対するモデルレジリエンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-18T17:10:45Z)
• OG-VLA: 3D-Aware Vision Language Action Model via Orthographic Image Generation [68.11862866566817]
  3D対応のポリシーは、精密なロボット操作タスクにおいて最先端のパフォーマンスを実現するが、見えない指示、シーン、オブジェクトへの一般化に苦慮している。 我々は,視覚言語行動モデル(VLA)の一般化強度と3D対応ポリシーの堅牢性を組み合わせた,新しいアーキテクチャと学習フレームワークであるOG-VLAを紹介する。
  論文  参考訳（メタデータ） (2025-06-01T22:15:45Z)

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。