論文の概要: CoLA: Multi-VLA Coordination via Learned Adapters
- arxiv url: http://arxiv.org/abs/2610.15337v1
- Date: Sun, 11 Oct 2026 04:28:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:34:07.311416
- Title: CoLA: Multi-VLA Coordination via Learned Adapters
- Title（参考訳）: CoLA:ラーニングアダプタによるマルチVLAコーディネート
- Abstract要約: CoLAは、各エージェントのVLAバックボーンを凍結させ、軽量メッセージチャネルとアームごとの拡散アクションヘッドを上部にトレーニングする。
箱のカラーマーカーが1つのエージェントにのみ見える、隠されたトレイのハンドオーバーでは、CoLAは76.2%成功し、訓練を通してメッセージがゼロとなる1.3%に達した。
- 参考スコア（独自算出の注目度）: 26.56535809515788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models are typically deployed as isolated single-agent policies. When several such agents share a workspace, they can coordinate implicitly, by observing one another, or explicitly, by exchanging messages, but it remains unclear when explicit communication becomes necessary. We introduce CoLA (Coordination via Learned Adapters), which keeps each agent's VLA backbone frozen and trains a lightweight message channel and a per-arm diffusion action head on top, with fully decentralised execution. Across three tasks that differ in how much each agent can observe, the channel matters only when information is private. On an occluded tray handover, where the box's colour marker is visible to one agent only, CoLA reaches 76.0% success versus 1.3% with messages zeroed throughout training. On two-arm and three-arm handover tasks, removing messages has no measurable effect with a shared overhead camera (90.6% vs. 88.3% at two arms; 63.5% vs. 60.0% at three), but lowers success on the two-arm task's wrist-only variant (74.8% vs. 64.3%). This architecture generalises across different VLA backbones as well. With a frozen $π_{0.5}$ backbone on the same occluded tray task, CoLA matches the overall success rate of a LoRA-fine-tuned baseline (37.3% vs. 34.7%) using a fraction of the trainable parameters. When CoLA places the box, it selects the correct tray 71.8% of the time, whereas the independently fine-tuned baseline, whose placing arm never sees the marker, selects it at chance level (34.7% against 33.3%).
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは通常、独立した単一エージェントポリシーとしてデプロイされる。
そのようなエージェントがワークスペースを共有している場合、互いに観察したり、メッセージを交換したりすることで、暗黙的に協調することができるが、明示的なコミュニケーションがいつ必要になるかは定かではない。
我々は、各エージェントのVLAバックボーンを凍結させ、軽量メッセージチャネルとアームごとの拡散アクションヘッドを上部にトレーニングし、完全に分散された実行を行うCoLA(Cordination via Learned Adapters)を紹介した。
それぞれのエージェントがどれだけ観察できるかが異なる3つのタスクの中で、チャンネルは情報が非公開である場合にのみ重要である。
箱のカラーマーカーが1つのエージェントにしか見えない、隠蔽されたトレイのハンドオーバーでは、CoLAは76.0%成功し、訓練を通してメッセージがゼロとなる1.3%に達した。
2本腕と3本腕のハンドオーバタスクでは、メッセージを削除することは、共有オーバーヘッドカメラ(90.6%対88.3%対2本腕、63.5%対60.0%対3本腕)では測定できないが、2本腕タスクの手首のみのバリエーション(74.8%対64.3%)では成功率を下げる。
このアーキテクチャは、異なるVLAバックボーンをまたいで一般化する。
冷凍された$π_{0.5}$のバックボーンを同じ閉包されたトレイタスクで、CoLAはトレーニング可能なパラメータのごく一部を用いて、LoRAで調整されたベースライン(37.3%対34.7%)の全体的な成功率と一致する。
CoLAがボックスを配置すると、正しいトレイの71.8%が選択され、独立した細調整されたベースラインがマーカーを決して見ないため、チャンスレベル(34.7%対33.3%)で選択される。
関連論文リスト
- Do I Need the Cloud? Uncertainty-Aware Step-Level Handoff for Small Language Model Agents [0.0]
小言語モデル(SLM)は、リモート推論、レイテンシ、デプロイメントのフットプリントを減らすため、ローカルエージェントコントローラとして魅力的である。
STEPGATEは、各ローカルSLMアクションをスコアし、より強力なモデルに挑戦するステップを選択的にエスカレートする不確実性対応ハンドオフフレームワークである。
論文 参考訳（メタデータ） (2026-10-06T06:09:31Z) - Teaching Agents to Code Reliably [12.841316191115778]
リポジトリの問題を解決するために、自律的なコーディングエージェントを訓練する方法を示す。
トレーニングがこれらの行動を政策にどう移行するかを示す。
パス@1から43.0%に上昇し、パス@8から60.7%に上昇し、検証精度を26.8%から41.7%に引き上げる。
論文 参考訳（メタデータ） (2026-10-02T19:47:19Z) - Right Answers, Wrong States: Hidden Information Failures in Multi-Agent Collaboration [69.14904049421806]
共同作業は、即時決定が正しい場合でも、腐敗した情報状態に置き去りにすることができる。
GPT、Gemini、Qwenモデル全体では、標準的なコラボレーションは、状態の信頼性よりもはるかに強力なタスクパフォーマンスを示している。
我々は、矛盾する証拠を解決し、共有された事実を検証し、信頼された国家を再構築するReGroundを紹介します。
論文 参考訳（メタデータ） (2026-10-01T07:42:27Z) - Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。
一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。
RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
論文 参考訳（メタデータ） (2026-09-24T11:16:18Z) - Learning Foresight without Explicit Trajectories for 3D Diffusion Policies [54.692734738738885]
3次元拡散ポリシは、現在の観測から幾何学的に基底化されたアクションを生成するのに強い。
我々は,この予測を明示的な計画を導入することなく,シンプルかつ効果的な手段である運動傾向ガイダンスを導入する。
正確にどこに移動すべきかを告げることなく、相互作用がどこに向かっているかを知ることで、大きなメリットを享受できることを、私たちは示しています。
論文 参考訳（メタデータ） (2026-09-17T16:44:13Z) - Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。
本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文 参考訳（メタデータ） (2026-09-09T01:36:44Z) - GenCoord: Skill-Path Commitments under Private Information [3.5348314201494517]
GenCoordを紹介します。これは、そのようなプライベートな事実のタスクの結果を、実行可能なスキルパスのコミットメントに変換するものです。
ローカルQwen3.5-0.8Bモデルは、複数ステップのSELFプランとピアREQを出力する。
3つの独立して訓練された種子の中で、正しい能力フィードバックは、ペア化された局所情報ギャップを50%から100%に閉じる。
論文 参考訳（メタデータ） (2026-08-22T17:41:25Z) - DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。
一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
論文 参考訳（メタデータ） (2026-07-31T05:34:02Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - AgentLeak: A Full-Stack Benchmark for Privacy Leakage in Multi-Agent LLM Systems [0.9367224590861912]
GPT-4o、GPT-4o-mini、Claude 3.5 Sonnet、Mist Largeral、Llama 3.3 70Bを4,979トレースでテストすると、マルチエージェント構成がチャネル毎の出力リークを減らすことが分かる。
内部チャネルはこのギャップの大部分を占めている: エージェント間メッセージ(C2)リークは68.8%、C1(出力チャネル)では27.2%である。
発見は、内部チャネルのプライバシ保護を組み込んだ調整フレームワークの必要性を浮き彫りにする。
論文 参考訳（メタデータ） (2026-02-12T03:10:44Z)
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。