論文の概要: What Should Robot Policies Learn to Predict? Rethinking Supervision Targets in Vision-Language-Action Learning

• arxiv url: http://arxiv.org/abs/2610.21915v1
• Date: Thu, 15 Oct 2026 14:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.102947
• Title: What Should Robot Policies Learn to Predict? Rethinking Supervision Targets in Vision-Language-Action Learning
• Title（参考訳）: ロボットが予測するべきことは何か? ビジョン・ランゲージ・アクション学習におけるスーパービジョン・ターゲットの再考
• Abstract要約: 視覚言語アクション(VLA)ポリシーは、通常、主要な監視信号として行動予測を用いて訓練される。 政策学習を改善するために、LA(Latent-action)やFV(Future-vision)予測などの補助目標がしばしば追加される。 我々は、一定の予算の下で、こうした目的にトレーニングサンプルのかなりの割合を割り当てることが、さらなる行動予測よりも、政策学習を改善することができるかどうかを問う。
• 参考スコア（独自算出の注目度）: 13.753298136653939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies are typically trained with action prediction as the primary supervision signal, since robots ultimately execute actions. Auxiliary objectives such as latent-action (LA) and future-vision (FV) prediction are often added to improve policy learning, yet they compete with action prediction for the same training budget. We ask whether, under a fixed budget, allocating a substantial share of training samples to such objectives, rather than to further action prediction, can improve policy learning. We build a unified VLA framework that couples a two-stream multimodal diffusion transformer (MMDiT) with a sample-level router, which assigns each training sample to either action prediction or an auxiliary objective and thus makes supervision allocation explicit. Within this framework, we instantiate three LA targets based on LAPA and its DINO-feature variants, and three FV targets based on DINOv3, V-JEPA 2, and Wan2.2 representations. Across LIBERO, CALVIN, and four real-robot tasks, suitable LA and FV supervision outperforms action-only training under the same budget, even when action prediction receives no more than half of the training samples. FV generally outperforms LA, although the strongest LA target remains competitive on CALVIN. Diagnostic analyses suggest that DINO-based LA targets emphasize relative motion, whereas FV targets emphasize absolute position and task identity. We therefore argue that what robot policies learn to predict, and how training is allocated among these targets, should be treated as explicit design choices rather than defaulting to action-dominant training.
• Abstract（参考訳）: 視覚言語行動(VLA)ポリシーは、ロボットが最終的に行動を実行するため、通常、行動予測を主要な監視信号として訓練する。 遅延アクション(LA)や将来のビジョン(FV)予測といった補助的目的は、政策学習を改善するために追加されることが多いが、同じトレーニング予算のアクション予測と競合する。 我々は、一定の予算の下で、こうした目的にトレーニングサンプルのかなりの割合を割り当てることが、さらなる行動予測よりも、政策学習を改善することができるかどうかを問う。 我々は,2ストリームマルチモーダル拡散変換器(MMDiT)とサンプルレベルルータを結合した統合VLAフレームワークを構築し,各トレーニングサンプルを動作予測または補助目標に割り当て,アロケーションアロケーションを明示する。 本フレームワークでは、LAPAとそのDINO-Feature variantに基づいて3つのLAターゲットと、DINOv3、V-JEPA2、Wan2.2表現に基づく3つのFVターゲットをインスタンス化する。 LIBERO、CALVIN、および4つの実ロボットタスクにおいて、適切なLAとFVの監督は、アクション予測がトレーニングサンプルの半分以上を受け取っている場合でも、同じ予算下でのアクションのみのトレーニングよりも優れている。 FVは一般的にLAを上回っているが、最強のLAターゲットはCALVINで競争力を維持している。 DINOをベースとしたLAターゲットは相対的な動きを強調し、FVターゲットは絶対的な位置とタスクの同一性を強調している。 そこで我々は,ロボット政策が予測を学習し,これらの目標に対してトレーニングをどのように割り当てるかを,行動支配的なトレーニングをデフォルトにするのではなく,明示的な設計選択として扱うべきであると論じる。

関連論文リスト

• Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model [7.384043308834925]
  視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。 ダイニン・ロボティクスはこの定式化をダイニン・オムニに実装し、言語、視覚的観察、ゴール、アクションを離散トークンとして表現している。 我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。
  論文  参考訳（メタデータ） (2026-09-11T16:49:26Z)
• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• Wall-OSS-0.5 Technical Report [13.983843529533113]
  本稿では,アクションジェネレーションコンポーネントを付加した3B VLMバックボーン上に構築した,オープンソースの4B VLAであるWall-OSS-0.5を紹介する。 このモデルは20以上のエボディメントで事前訓練され、1エポックあたり100万以上のロボット軌道を処理する。 非自明なゼロショットのリアルタイムロボット動作を実現し、17タスクスイート上の高いタスク進捗において、ホールドアウトの変形可能な操作タスクを含むいくつかのタスクを完了させる。
  論文  参考訳（メタデータ） (2026-05-29T06:04:03Z)
• PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations [66.94988600664574]
  我々は,目標達成型強化学習を通じて事前学習を再構築するVLA基盤モデルであるtextbfPRTS(textbfPrimitive textbfReasoning and textbfTasking textbfSystem)を提案する。
  論文  参考訳（メタデータ） (2026-04-30T06:14:02Z)
• LAP: Language-Action Pre-Training Enables Zero-shot Cross-Embodiment Transfer [18.518862486252555]
  本稿では,Language-Action Pre-Training(LAP)について紹介する。 LAPでは、学習トークン化やコストのかかるアノテーション、具体的アーキテクチャ設計は必要ありません。 LAP-3Bは平均ゼロショット成功率50%を超え、最強のビジョン・ランゲージ・アクションモデルよりも約2倍向上した。
  論文  参考訳（メタデータ） (2026-02-11T06:09:11Z)
• 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)
• IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction [51.130510883952546]
  Vision-Language-Action(VLA)モデルは、事前訓練された視覚言語モデル(VLM)を活用して、ロボット制御との認識を両立させる。 カリキュラム学習パラダイムと効率的な推論機構を備えたVLAフレームワークである textbfIntentionVLA を提案する。 提案手法はまず,意図推論,空間的接地,コンパクトな具体的推論を組み合わせ,慎重に設計した推論データを活用する。
  論文  参考訳（メタデータ） (2025-10-09T04:49:46Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Improving In-Context Few-Shot Learning via Self-Supervised Training [48.801037246764935]
  本稿では,事前学習と下流での撮影の中間訓練段階において,自己監督を併用することを提案する。 中間的な自己超越段階は、強いベースラインよりも優れたモデルを生成する。
  論文  参考訳（メタデータ） (2022-05-03T18:01:07Z)

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。