論文の概要: Axiom-0: Hierarchical Self-Refinement for Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2610.14155v1
• Date: Fri, 09 Oct 2026 16:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:56:14.580613
• Title: Axiom-0: Hierarchical Self-Refinement for Vision-Language-Action Policies
• Title（参考訳）: Axiom-0:ビジョン・ランゲージ・アクション・ポリシーの階層的自己抑制
• Abstract要約: 視覚言語アクション(VLA)モデルは、事前訓練されたマルチモーダル理解と学習制御を組み合わせるが、その性能は相変わらず不慣れなタスク構成に限られている。 本稿では、その表現の質と、階層的自己精製による行動生成における使用の両方に対処するVLAポリシーであるAxiom-0を提案する。 RoboCasa365では、Axiom-0が62.32%の成功を達成し、最高スコア(Paimon-0, 58.1%)を4.22ポイント上回った。
• 参考スコア（独自算出の注目度）: 38.66689467601669
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Reliable manipulation requires policies that generalize across tasks, layouts, and object interactions. Vision-language-action (VLA) models combine pretrained multimodal understanding with learned control, but their performance remains limited on unfamiliar task compositions. We present Axiom-0, a VLA policy that addresses both the quality of its representations and their use in action generation through hierarchical self-refinement. Intra-VLM Representation Refinement (IVRR) strengthens selected intermediate features through consistency supervision with learned feature projections during training. VLM-Action Interface Refinement (VAIR) recursively updates the resulting conditioning before action generation. Joint optimization of the supervised VLM layers, VAIR, and the action generator connects the two components. On RoboCasa365, Axiom-0 achieves 62.32% overall success in our evaluation, exceeding the highest published leaderboard score (Paimon-0, 58.1%) by 4.22 percentage points and the Xiaomi-Robotics-1 reference by 4.92 points. Under the evaluated profiling setup, mean action-chunk generation latency increases by 1.7% over Xiaomi-Robotics-1. These results demonstrate improved task completion with modest inference overhead.
• Abstract（参考訳）: 信頼性の高い操作には、タスク、レイアウト、オブジェクト間のインタラクションを一般化するポリシーが必要です。 視覚言語アクション(VLA)モデルは、事前訓練されたマルチモーダル理解と学習制御を組み合わせるが、その性能は相変わらず不慣れなタスク構成に限られている。 本稿では、その表現の質と、階層的自己精製による行動生成における使用の両方に対処するVLAポリシーであるAxiom-0を提案する。 IVRR(Intra-VLM Representation Refinement)は、トレーニング中に学習した特徴投影との整合性管理を通じて、選択した中間特徴を強化する。 VLM-Action Interface Refinement (VAIR) はアクション生成前の条件を再帰的に更新する。 教師付きVLM層、VAIR、およびアクションジェネレータの共同最適化は、2つのコンポーネントを接続する。 RoboCasa365では、Axiom-0が62.32%の成功を達成し、最高スコア(Paimon-0, 58.1%)を4.22ポイント、Xiaomi-Robotics-1を4.92ポイント上回った。 評価されたプロファイリング設定では、平均アクションチャンク生成遅延はXiaomi-Robotics-1よりも1.7%増加する。 これらの結果から,タスク完了の度合いが向上し,予測オーバーヘッドが緩やかになった。

関連論文リスト

• LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts [56.21252928632393]
  専門家によるデモのスケーリングだけでは、一般的なロボットポリシーがデプロイメントから改善されることはない。 この完全品質スペクトルから直接学習する閉ループワールドアクションモデルである textbfLoopWAM を導入する。 音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
  論文  参考訳（メタデータ） (2026-10-13T17:59:56Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
  ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。 固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。 本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
  論文  参考訳（メタデータ） (2026-08-27T17:59:40Z)
• Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models [15.173629384871013]
  VLA(Vision-Language-Action)モデルは、マルチモーダルコンテキストをロボットアクションに変換することができるが、そのアクションデコーダは行動クローニングによって主に訓練されている。 Intention Distillation (INDI) を提案する。
  論文  参考訳（メタデータ） (2026-08-24T16:42:49Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning [46.89986408533846]
  V-JEPA 2.1は、画像とビデオの両方の濃密で高品質な視覚表現を学習する自己教師型モデルのファミリーである。 V-JEPA 2.1は、密集した視覚的理解と世界モデリングにおける最先端の進歩を示す。
  論文  参考訳（メタデータ） (2026-03-15T17:02:40Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• EvoVLA: Self-Evolving Vision-Language-Action Model [11.746804244345613]
  VLA(Vision-Language-Action)モデルでは、長い水平ロボット操作が依然として難しい。 本稿では,3つの相補的コンポーネントを通じてこの問題に対処する自己教師型VLAフレームワークであるEvoVLAを紹介する。 EvoVLAはサンプル効率を1対半改善し、ステージ幻覚を38.5%から14.8%に下げる。
  論文  参考訳（メタデータ） (2025-11-20T09:08:33Z)

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。