論文の概要: One-shot Human Video-Guided Adaptation for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.19746v1
• Date: Wed, 14 Oct 2026 08:05:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.02785
• Title: One-shot Human Video-Guided Adaptation 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ワンショット映像誘導型適応
• Abstract要約: CapProは、VLAポリシーを、人間のデモビデオ1本だけを使用して、これまで見つからなかった操作タスクに適応することを可能にするフレームワークである。 CapProは、ソースタスクに匹敵するパフォーマンスを維持しながら、目に見えないターゲットグループ全体の平均パフォーマンスを改善していることを示す。
• 参考スコア（独自算出の注目度）: 40.20101729075148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models have recently achieved remarkable progress by leveraging large-scale robot datasets and foundation models for general-purpose robot manipulation. However, their ability to rapidly adapt to novel manipulation tasks beyond the training distribution remains limited. Existing approaches often require task-specific robot demonstrations and additional training, which are labor- and compute-intensive, limiting the scalability of VLA adaptation to open-world scenarios. To reduce this dependence on target-task robot data, we propose CapPro, a framework that enables a VLA policy to adapt to previously unseen manipulation tasks using only a single human demonstration video. CapPro consists of two components. First, a phase-aware human video representation module constructs a compact video representation through learned visual token selection and learns task-relevant query representations under phase-caption supervision. Second, a video-conditioned adaptation module jointly incorporates the compact video and query-derived representations into the action-conditioning context of the pretrained VLA policy. % This design introduces task-specific guidance while largely preserving the original VLA action-generation backbone. In this way, the human demonstration provides task-specific execution guidance rather than an embodiment-aligned trajectory to imitate, without requiring target-task robot demonstrations or target-task fine-tuning. Experiments across source and unseen target tasks show that CapPro improves average performance across unseen target groups while maintaining comparable performance on the source tasks. These results demonstrate the effectiveness of human-video guidance for cross-task VLA adaptation.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは最近、大規模ロボットデータセットと基礎モデルを汎用ロボット操作に活用することで、目覚ましい進歩を遂げている。 しかし、トレーニング分布を超えて、新しい操作タスクに迅速に適応する能力は、依然として限られている。 既存のアプローチでは、タスク固有のロボットデモと、労働力と計算集約的な追加トレーニングが必要で、オープンワールドシナリオへのVLA適応のスケーラビリティが制限される。 このような目標タスクロボットデータへの依存を低減するため,人間のデモビデオのみを用いて,VLAポリシーがこれまで見つからなかった操作タスクに適応可能なフレームワークであるCapProを提案する。 CapProは2つのコンポーネントで構成されている。 まず、位相認識型ヒューマンビデオ表現モジュールは、学習された視覚的トークン選択を通じてコンパクトなビデオ表現を構築し、位相キャプチャー監視の下でタスク関連クエリ表現を学習する。 第2に、ビデオ条件付き適応モジュールは、訓練済みのVLAポリシーのアクション条件コンテキストに、コンパクトビデオとクエリ由来の表現を併用する。 % この設計ではタスク固有のガイダンスを導入し, 元のVLAアクションジェネレーションバックボーンをほとんど保存した。 このように、人間によるデモンストレーションは、ターゲットタスクロボットのデモンストレーションやターゲットタスクの微調整を必要とせず、模倣する実施軌道ではなく、タスク固有の実行誘導を提供する。 ソースと未確認のターゲットタスクにわたる実験では、CapProはソースタスクに匹敵するパフォーマンスを維持しながら、未確認のターゲットグループ全体の平均パフォーマンスを改善している。 これらの結果から, クロスタスクVLA適応におけるヒューマン・ビデオ・ガイダンスの有効性が示された。

関連論文リスト

• World Model Self-Distillation: Training World Models to Solve General Tasks [23.602187351200183]
  本稿では,自己蒸留と強化学習を組み合わせることで,事前学習ビデオモデルにおけるタスク解決能力を実現するスケーラブルなフレームワークを提案する。 我々は,課題映像の監督を行なわずに,キャプション誘導世代から指示条件付きタスク解決へ実行知識を伝達する。 実験の結果,エグゼクタはVLMに基づく評価プロトコルでデモレータを超越し,ロボットタスクに競争力を持たせることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T13:40:19Z)
• From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
  人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。 この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。 この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
  論文  参考訳（メタデータ） (2026-05-18T06:19:16Z)
• GuidedVLA: Specifying Task-Relevant Factors via Plug-and-Play Action Attention Specialization [101.37117235471709]
  本稿では,タスク関連要因に着目したアクション生成を支援するフレームワークである GuidedVLA を紹介する。 私たちの中核的な洞察は、アクションデコーダをモノリシックな学習者としてではなく、機能的なコンポーネントの集合として扱うことです。 この結果から,アクションデコーダ学習を明示的に指導することが,より堅牢で汎用的なVLAモデルを構築する上で有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-12T16:38:40Z)
• ConLA: Contrastive Latent Action Learning from Human Videos for Robotic Manipulation [27.54751123419347]
  人間のビデオからロボットポリシーを学習するための教師なし事前学習フレームワークであるConLAを提案する。 人間のビデオのみに事前学習を行うことで、実際のロボット軌道事前学習で得られた性能を初めて上回ります。
  論文  参考訳（メタデータ） (2026-01-31T06:40:57Z)
• CARE: Multi-Task Pretraining for Latent Continuous Action Representation in Robot Control [39.17038025776311]
  CAREは、ロボットタスク実行のためのVLAモデルをトレーニングするために設計されたフレームワークである。 CAREはビデオテキストペアのみを活用することで、明示的なアクションラベルの必要性を排除している。 結果は, ロボット制御におけるCAREのスケーラビリティ, 解釈可能性, 有効性を示す。
  論文  参考訳（メタデータ） (2026-01-30T02:28:32Z)
• Latent Action Pretraining from Videos [156.88613023078778]
  一般行動モデル(LAPA)のための潜在行動事前訓練について紹介する。 LAPA(英: LAPA)は、VLA(Vision-Language-Action)モデルに接地型ロボットアクションラベルを含まない教師なしの訓練方法である。 本稿では,ロボットアクションラベルを持たないインターネット規模のビデオから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T16:28:09Z)
• Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill Primitives [89.34229413345541]
  本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。 本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。 代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
  論文  参考訳（メタデータ） (2020-03-19T15:04:37Z)

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。