論文の概要: PRISM: Precision Forcing for Generalist Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2610.14704v1
• Date: Sat, 10 Oct 2026 08:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:08:08.86271
• Title: PRISM: Precision Forcing for Generalist Vision-Language-Action Policies
• Title（参考訳）: PRISM:ジェネラリストのビジョンランゲージ・アクション・ポリシーの精度向上
• Abstract要約: 事前訓練された視覚言語モデルとフローマッチングアクションエキスパートを結合することは、ポリシーを具体化するための主流の視覚言語アクションパラダイムとなった。 この弱点は、コンテキストやフロー時間にまたがるフローマッチングエラーを平均化するトレーニング目標に起因しています。 熟練マニピュレーション(PRISM)の高精度化と内部化として、この精度強化戦略をインスタンス化する。
• 参考スコア（独自算出の注目度）: 17.674707087600485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coupling a pretrained vision-language model (VLM) with a diffusion or flow-matching action expert has become the mainstream vision-language-action (VLA) paradigm for embodied policies, yet they remain unreliable once a task demands precise manipulation, e.g., submillimeter cable insertion. We attribute this weakness to a training objective that averages flow-matching errors across contexts and flow times, allocating little supervision to the few decisive moments determining task success. Along the generative path, inference integrates a locally supervised velocity field, so equally penalized errors at different flow times can affect the executed action unequally. Consequently, precision-task performance deteriorates as physical tolerance tightens by orders of magnitude. We call this supervision imbalance across contexts and flow times Flow-Time Starvation. The remedy is to jointly align supervision allocation and representation learning with context-dependent precision demand, enabling the policy to recognize when greater precision is needed. We instantiate this precision-forcing strategy as Precision-aware Reweighting and Internalization for Skilled Manipulation (PRISM), which scores precision demand offline, strengthens flow supervision where errors are consequential and action signals are visible, and internalizes that demand in the VLM condition representation. Simulation and real-robot experiments show that PRISM preserves or improves general-task performance while raising mean end-to-end success from 38.3% to 86.7% across drive connector insertion, bimanual connector mating, and screw tightening, substantially extending the precision boundary of existing embodied policies without new sensors or observation modalities.
• Abstract（参考訳）: 事前訓練された視覚言語モデル(VLM)と拡散またはフローマッチングアクションエキスパートを結合することは、ポリシーを具体化するための主流の視覚言語アクション(VLA)パラダイムとなっているが、タスクが正確な操作を要求された場合、サブミリメートルケーブルの挿入など、それらは信頼できないままである。 この弱点は、コンテキストやフロー時間にまたがるフローマッチングエラーを平均化し、タスクの成功を決定する数少ない決定的な瞬間をほとんど監督しない、というトレーニング目標に起因しています。 生成経路に沿って、推論は局所的に制御された速度場を統合するため、異なるフロー時間における等しくペナル化されたエラーは、実行された動作に不平等に影響を及ぼす可能性がある。 これにより、物理許容度が桁違いに厳しくなるにつれて精度タスク性能が低下する。 私たちはこの監視を、コンテキストやフロー時間、フロータイムの飢餓といった不均衡と呼んでいます。 この対策は、調整の割り当てと表現の学習をコンテキスト依存の精度要求と共同で調整し、より正確な場合の政策認識を可能にすることである。 我々は,この精度強化戦略を,高精度操作の高速化と内部化(PRISM)としてインスタンス化し,精度要求をオフラインにし,エラーやアクション信号が見えるフローの監視を強化し,その要求をVLM条件表現で内部化する。 シミュレーションと実ロボット実験により、PRISMは平均的なエンドツーエンドの成功を38.3%から86.7%に引き上げ、ドライブコネクタ挿入、バイマニュアルコネクタ・マットリング、スクリュー締め付けを行い、新しいセンサーや観測モダリティを使わずに既存の実施済みポリシーの精度境界を大幅に拡張し、一般タスクのパフォーマンスを維持または改善することを示した。

関連論文リスト

• Alignment-Guided Flow Transformer for Efficient Vision-Language-Action Policy Learning [60.36764069512929]
  VLA(Vision-Language-Action)モデルは、視覚、言語、行動の両面的な不一致により、しばしば不適応である。 本稿では,専用アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・ア AGFTは、SOTAベースラインに比べて成功率と推論遅延の低減を実現し、堅牢なVLA操作をスケールするための重要な要素として、トリモーダルアライメントを強調する。
  論文  参考訳（メタデータ） (2026-09-28T07:24:48Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• Uncertainty Quantification for Flow-Based Vision-Language-Action Models [33.28454469934064]
  視覚言語アクションモデル(VLA)は、視覚言語バックボーンと、大規模ロボットデータセットのフローマッチングによってトレーニングされた表現力豊かな生成アクションヘッドを組み合わせる。 ロボット操作における強い経験的性能にもかかわらず、VLAは予測の信頼性を定量化し、動作が信頼できない可能性があることを検知するメカニズムを欠いている。 本稿では,不確実性誘導型アクティブ微調整のためのフレームワークであるSAVEを提案する。
  論文  参考訳（メタデータ） (2026-06-16T15:19:09Z)
• 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)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
  VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。 本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。 我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
  論文  参考訳（メタデータ） (2026-03-25T17:56:32Z)
• Force-Aware Residual DAgger via Trajectory Editing for Precision Insertion with Impedance Control [7.670131142516991]
  TER-DAggerは、コンタクトリッチな操作のための力覚的模倣学習フレームワークである。 実験により、TER-DAggerは行動クローニング、ヒト誘導補正、リトレーニング、微調整ベースラインと比較して平均成功率を37%以上改善することが示された。
  論文  参考訳（メタデータ） (2026-03-04T13:18:05Z)
• 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)
• From Knowing to Doing Precisely: A General Self-Correction and Termination Framework for VLA models [42.553888395227766]
  本稿では、視覚言語アクション(VLA)モデルのための軽量でトレーニング不要なフレームワークを提案する。 VLA-SCTは自己修正制御ループとして動作し、データ駆動型アクションリファインメントと条件論理を組み合わせて終了する。 本手法は,LIBEROベンチマークのすべてのデータセットに対して一貫した改善を実現する。
  論文  参考訳（メタデータ） (2026-02-02T08:44:40Z)
• SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment [7.446137164545049]
  選択フローアライメント(Selective Flow Alignment、SeFA)は、効率的かつ正確なビジュモータポリシー学習フレームワークである。 SeFAはこの課題を選択的フローアライメント戦略によって解決する。 推論遅延を98%以上削減しながら、精度と堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-11-11T18:59:39Z)

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。