論文の概要: VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.12451v1
- Date: Thu, 08 Oct 2026 17:58:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.264374
- Title: VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation
- Title（参考訳）: VersaCamVLA:ロボットマニピュレーションのためのカメラ構成可能なVLAポリシー
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.582515536566497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models have emerged as powerful foundations for robotic manipulation, but their reliance on fixed camera configurations during training makes them brittle to changes in camera count or pose during deployment. To overcome these limitations, we propose VersaCamVLA, a camera-configurable framework that decouples camera-set representation from action learning. VersaCamVLA learns a unified scene-token interface that maps an arbitrary, variable set of posed RGB views into fixed-size latent scene tokens. This is achieved via multi-signal target-view prediction and Wrist-Augmented Pose Sampling (WAPS), which leverages natural wrist-camera motion for free pose diversity. At deployment, a lightweight spatial encoder injects these compact scene tokens into a pretrained base VLA as a supplementary visual condition, requiring no explicit 3D sensing or novel-view rendering. Experiments on RoboTwin, LIBERO, and a real-robot platform demonstrate that VersaCamVLA consistently outperforms prior VLA methods and direct multi-view baselines, maintaining robust performance across varying camera counts and unseen camera poses.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、ロボット操作の強力な基盤として登場したが、トレーニング中の固定カメラ構成に依存しているため、カメラ数の変化や展開中のポーズが不安定になる。
これらの制限を克服するために,カメラセット表現をアクション学習から分離するカメラ構成可能なフレームワークであるVersaCamVLAを提案する。
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。
これは、複数信号のターゲットビュー予測とWrist-Augmented Pose Smpling (WAPS)によって実現される。
軽量空間エンコーダは、これらのコンパクトなシーントークンを補助的な視覚条件として事前訓練されたベースVLAに注入し、明示的な3Dセンシングやノベルビューレンダリングを必要としない。
RoboTwin、LIBERO、および実ロボットプラットフォームの実験では、VersaCamVLAは、VLAメソッドや直接マルチビューベースラインよりも一貫して優れており、様々なカメラカウントと見えないカメラポーズの堅牢なパフォーマンスを維持している。
関連論文リスト
- WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models [21.43575545487911]
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。
論文 参考訳（メタデータ） (2026-10-08T08:44:26Z) - Multi-View Unified Camera Fields: Geometry-Shaped Action-Facing Representations for RGB-Only Multi-Camera VLA Policies [12.27577524307746]
Multi-View Unified Camera Fields (MVUCF) は、ビューをまたいだ共有アクション対応潜在フィールドを形成するトレーニング専用フレームワークである。
ジオメトリインジェクション、奥行き、カメラキャリブレーション、補助ヘッドが取り除かれた後、配置は、追加の推論FLOPを持たない元のRGBのみのグラフを使用する。
論文 参考訳（メタデータ） (2026-08-03T07:36:09Z) - CameraAnything: Refilming Videos with Arbitrary Camera Control [104.67227614978822]
我々は、カメラ制御ビデオ編集のための最初の統合フレームワークであるCameraAnythingを紹介する。
内在型と外在型の両方のカメラパラメータのジョイントコントロールを可能にする。
調整されたトレーニング戦略により、CameraAnythingは、任意の視点制御、焦点長調整、解像度適応、および1世代プロセス内の複数ショット遷移による表現力のあるビデオ再撮影を可能にする。
論文 参考訳（メタデータ） (2026-07-27T15:55:08Z) - See like a Robot: Robot-Centric Pointmaps for Vision-Language-Action Models [51.019904314336124]
視覚言語アクション(VLA)モデルは、視覚的な観察と言語指示からロボットの動きを予測する。
ほとんどのVLAは、カメラフレーム内のシーンを観察し、シーンが観察された場所とアクションが定義された場所との間のフレームミスマッチを生成する。
このミスマッチをロボット中心のポイントマップで処理し、ロボットフレーム内のシーンポイントの3D座標を画素に格納する。
論文 参考訳（メタデータ） (2026-07-13T12:50:32Z) - 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) - LIME: Learning Intent-aware Camera Motion from Egocentric Video [56.023644847494836]
自動回帰観測ゲイン出力と連続的なフローマッチングポーズヘッドを組み合わせた視覚言語カメラモーションジェネレータを提案する。
LIMEは、人間の受動的ビデオからカメラのポーズを積極的に選択し、通常の自我中心の録音を意図認識のアクティブな知覚の監督に変えることができる。
論文 参考訳（メタデータ） (2026-07-02T16:48:43Z) - 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) - CamI2V: Camera-Controlled Image-to-Video Diffusion Model [11.762824216082508]
統合カメラポーズは、ビデオ拡散モデルにおけるユーザフレンドリーで物理インフォームド条件であり、正確なカメラ制御を可能にする。
重要な課題の1つは、幾何学的整合性とカメラ制御性を高めるために、ノイズの多いクロスフレーム相互作用を効果的にモデル化することである。
我々は,条件の品質と不確実性を低減し,ノイズのあるクロスフレーム特徴をノイズのある状態の形で解釈する能力とを革新的に関連付ける。
論文 参考訳（メタデータ） (2024-10-21T12:36:27Z)
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。