論文の概要: Recompose and Refine Latent Reasoning Flows for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2610.12090v1
- Date: Thu, 08 Oct 2026 15:00:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.100958
- Title: Recompose and Refine Latent Reasoning Flows for Vision-Language-Action Models
- Title（参考訳）: ビジョン・ランゲージ・アクションモデルのための分解・精製潜在共振流
- Abstract要約: 潜在推論により、視覚言語アクション(VLA)モデルは、連続ロボットアクションを生成する前に、マルチモーダルな観察をタスク関連内部状態に変換することができる。
本稿では,逐次計算を再利用可能な推論体験に変換する統一VLAモデルであるReasoning and Flow Memory(FLOWMEM)を提案する。
- 参考スコア（独自算出の注目度）: 15.393652822582082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latent reasoning enables vision-language-action (VLA) models to transform multimodal observations into task-relevant internal states before generating continuous robot actions. While existing methods learn to generate or refine such states for each policy query, they discard successful reasoning after execution and therefore reconstruct similar computation from scratch. We present Reasoning and Flow Memory (FLOWMEM), a unified VLA model that turns successful latent computation into reusable reasoning experience. Rather than appending a fixed retrieved context, FLOWMEM dynamically retrieves and recomposes compatible latent fragments as the embodied context evolves, forming a reasoning route that follows the temporal structure and progress of successful computation. The route is then refined using current visual and proprioceptive evidence before it conditions action generation. Experiments on RoboMME and LIBERO-Plus show that FLOWMEM attains 48.0% and 77.3% success, outperforming memory-free policies by 1.7 and 4.1 percentage points, respectively. These results demonstrate the value of reusing successful latent computation for closed-loop VLA control.
- Abstract（参考訳）: 潜在推論により、視覚言語アクション(VLA)モデルは、連続ロボットアクションを生成する前に、マルチモーダルな観察をタスク関連内部状態に変換することができる。
既存の手法は、ポリシークエリごとにそのような状態の生成や洗練を学習するが、実行後の推論を廃止し、類似した計算をゼロから再構築する。
本稿では,逐次計算を再利用可能な推論体験に変換する統一VLAモデルであるReasoning and Flow Memory(FLOWMEM)を提案する。
固定された検索されたコンテキストを追加するのではなく、FLOWMEMは、具体化されたコンテキストが進化するにつれて、互換性のある潜在フラグメントを動的に検索し、再構成し、時間的構造と計算の進捗に従う推論経路を形成する。
ルートは、アクション生成を条件付ける前に、現在の視覚的および受容的証拠を使用して洗練される。
RoboMMEとLIBERO-Plusの実験では、FLOWMEMは48.0%と77.3%の成功を示し、それぞれ1.7ポイントと4.1ポイントのメモリフリー政策を上回っている。
これらの結果から,閉ループVLA制御における潜在計算の再利用効果が示された。
関連論文リスト
- dVLA-RL: Reinforcement Learning over Denoising Trajectories for Discrete Diffusion Vision-Language-Action Models [49.497309561043004]
我々は,学習目標を限界行動確率からサンプル生成経路の結合確率にシフトするtextbfdVLA-RLを提案する。
本手法は, LIBEROにおける textbf99.7% の成功率を達成する。
また、SFTベースラインに対してtextbf30.6%の改善を提供することで、RoboTwin 2.0上でのVLAベースの強力な結果も確立している。
論文 参考訳（メタデータ） (2026-06-22T17:19:03Z) - Think Less, Act Early: Reinforced Latent Reasoning with Early Exit in Vision-Language-Action Models [3.4519796338615225]
観測不能な潜伏変数の列として推論をモデル化する新しいVision-Language-Action(VLA)フレームワークを提案する。
本稿では,遅延状態生成を逐次決定プロセスとして扱う強化学習に基づくデノゲーション機構を提案する。
具体化決定ベンチマークの実験により、AVA-VLAは明示的なCoT法よりも6倍の速度アップを達成することが示された。
論文 参考訳（メタデータ） (2026-06-13T04:16:18Z) - LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models [13.30873593845724]
LoopVLAは、表現の洗練、アクション予測、十分性推定を学習する、リカレントなVision-Language-Actionアーキテクチャである。
この結果から,LoopVLAはVLAポリシーの効率性向上のフロンティアを推し進め,パラメータを45%削減し,推論スループットを最大1.7倍向上させることを示した。
論文 参考訳（メタデータ） (2026-05-11T03:51:22Z) - See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
本稿では,See, Plan, Rewind (SPR)について紹介する。
SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。
SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
論文 参考訳（メタデータ） (2026-03-10T07:22:51Z) - 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) - Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models [69.58413440457828]
VLA(Vision-Language-Action)モデルは、チェーン・オブ・思想(CoT)推論の恩恵を受けるが、既存のアプローチでは高い推論オーバーヘッドが生じる。
本稿では,マルチモーダル CoT 推論を具体化するための連続潜時表現に内包する統合 VLA フレームワークである Latent Reasoning VLA (textbfLaRA-VLA) を提案する。
論文 参考訳（メタデータ） (2026-02-01T11:34:37Z) - 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) - ContextVLA: Vision-Language-Action Model with Amortized Multi-Frame Context [54.58057019521198]
時間的コンテキストを活用することは、部分的に観察可能なロボットタスクの成功に不可欠である。
動作のクローン化に関する以前の研究は、複数フレームの観測で不整合のパフォーマンス向上を示した。
マルチフレーム観測を効果的に活用することにより、ロボットタスクのパフォーマンスを堅牢に向上するポリシーモデルであるContextVLAを紹介する。
論文 参考訳（メタデータ） (2025-10-05T15:29:57Z) - FastRM: An efficient and automatic explainability framework for multimodal generative models [10.184567639685321]
FastRMは、LVLMの説明可能な関連性マップを効率的に予測する手法である。
FastRMは計算時間を99.8%削減し、メモリフットプリントを44.4%削減した。
論文 参考訳（メタデータ） (2024-12-02T13:39:29Z) - Value-Consistent Representation Learning for Data-Efficient
Reinforcement Learning [105.70602423944148]
本稿では,意思決定に直接関連のある表現を学習するための,VCR(Value-Consistent Expression Learning)という新しい手法を提案する。
この想像された状態と環境によって返される実状態とを一致させる代わりに、VCRは両方の状態に$Q$-valueヘッドを適用し、2つのアクション値の分布を得る。
検索不要なRLアルゴリズムに対して,提案手法が新たな最先端性能を実現することが実証された。
論文 参考訳（メタデータ） (2022-06-25T03:02:25Z)
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。