論文の概要: Vision-Language-Delta-Action: Learning Compact Deltas as Actionable Transition Interfaces for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.25874v1
• Date: Mon, 19 Oct 2026 06:35:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:11:35.634709
• Title: Vision-Language-Delta-Action: Learning Compact Deltas as Actionable Transition Interfaces for Robotic Manipulation
• Title（参考訳）: ビジョン・ランゲージ・デルタ・アクション:ロボットマニピュレーションのための動作可能な遷移インタフェースとしてのコンパクトデルタの学習
• Abstract要約: ビジョン・ランゲージ・デルタ・アクション(Vision-Language-Delta-Action、VLDA)は、完全な将来の予測をコンパクトな実行可能な遷移モデリングとして再定義するパラダイムである。 VLDAは局所遷移フィルタ(LT-Filter)とグローバル遷移アンカー(GT-Anchor)からなる統一目的によりDeltaを学習する
• 参考スコア（独自算出の注目度）: 10.18743158323205
• License:
• Abstract: Robotic manipulation is not merely observation-to-action generation, but the realization of task-specified state changes in the physical world. Existing vision-language-action (VLA) methods directly learn observation-to-action mappings, imposing a substantial learning burden due to the gap between semantic understanding and action execution. Although world-action models (WAMs) improve control through future prediction, modeling complete future states wastes capacity on static appearance and action-irrelevant changes. We propose Vision-Language-Delta-Action (VLDA), a paradigm that reformulates full future prediction as compact actionable transition modeling. Its core is a compact Delta variable that captures latent world-state changes, serving as an interface between vision-language understanding and action generation. VLDA learns Delta through a unified objective composed of the Local Transition Filter (LT-Filter) and Global Transition Anchor (GT-Anchor). LT-Filter captures task-relevant manipulation-centric changes while suppressing static reconstruction biases. GT-Anchor provides coarse future-level regularization to preserve the overall direction of state changes. Delta-Driven Action Refinement (DDAR) further grounds Delta in the action manifold and injects it as a structured seed to guide action denoising. We implement VLDA within LoongForge, an open-source training framework for large-scale foundation and embodied models, using its modular and distributed infrastructure for unified two-stage optimization. Experiments show that VLDA improves long-horizon consistency, robustness, and generalization, validating actionable Delta as an alternative to direct action prediction and full future-state modeling.
• Abstract（参考訳）: ロボット操作は単に観察から行動の生成ではなく、物理的世界におけるタスク特定状態の実現である。 既存の視覚-言語-行動法(VLA)は、観察-行動マッピングを直接学習し、意味理解と行動実行のギャップによってかなりの学習負担を課す。 世界行動モデル(WAM)は、将来の予測を通じて制御を改善するが、完全な未来状態のモデリングは、静的な外観とアクション非関連な変化に容量を浪費する。 VLDA(Vision-Language-Delta-Action)は,将来予測をコンパクトな動作可能な遷移モデルとして再定義するパラダイムである。 そのコアはコンパクトデルタ変数であり、視覚言語理解とアクション生成の間のインターフェースとして機能し、潜在する世界状態の変化をキャプチャする。 VLDAは、ローカル遷移フィルタ (LT-Filter) とグローバル遷移アンカー (GT-Anchor) からなる統一目的を通じてDeltaを学習する。 LT-Filterは、静的な再構成バイアスを抑制しながら、タスク関連操作中心の変更をキャプチャする。 GT-Anchorは、状態変化の全体方向を維持するために、粗い将来レベル正規化を提供する。 Delta-Driven Action Refinement (DDAR)は、さらにDeltaをアクション多様体に接地し、それを構造化されたシードとして注入してアクションの認知を誘導する。 大規模ファンデーションと組込みモデルのためのオープンソースのトレーニングフレームワークであるLoongForge内にVLDAを実装し、モジュール化された分散インフラストラクチャを使用して、統合された2段階最適化を行う。 実験により、VLDAは長距離一貫性、ロバスト性、一般化を改善し、直接行動予測と完全な将来状態モデリングの代替として実行可能なデルタを検証することが示されている。

関連論文リスト

• VLA-$Δ$: Learning Physical State Transition for Vision-Language-Action Models [28.869119682454386]
  視覚言語行動モデル(VLA)は、視覚言語事前学習を通じて獲得した意味知識をロボット制御に伝達する。 VLA-$は、現在の状態と将来の状態の物理的変化を明示的な学習ターゲットとして利用する一般的なフレームワークである。 推論の間、モデルは、追加の推論オーバーヘッドなしで、現在の観測から直接アクションを生成します。
  論文  参考訳（メタデータ） (2026-10-15T05:54:21Z)
• LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments [41.26480439505561]
  世界行動モデル(WAM)は、インテリジェンスを具現化する強力なパラダイムとして登場した。 モデルにタスク非関連の視覚的詳細を再構築させると、表現能力が低下し、視覚的邪魔者に対して脆弱なポリシーが現れる。 本稿では,JEPA(Joint-Embedding Predictive Architecture)をワールドアンカーとして運用することで,WAMの新たな予測-遅延パラダイムを確立するLeapBot-WAを提案する。
  論文  参考訳（メタデータ） (2026-07-27T03:36:45Z)
• Unlocking Feature Learning in Gated Delta Networks at Scale [52.705562336559446]
  大規模言語モデルの訓練とスケーリングは膨大な計算資源を必要とする。 我々はGated Delta Networkのスケーリングルールを導出する。 言語モデル事前学習の実験により、我々の構成が安定した学習速度転送を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-06-02T08:45:24Z)
• SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
  視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。 事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。 Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
  論文  参考訳（メタデータ） (2026-05-13T16:23:11Z)
• DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
  DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。 軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
  論文  参考訳（メタデータ） (2026-03-31T15:02:27Z)
• RAE-NWM: Navigation World Model in Dense Visual Representation Space [4.210599444301697]
  本稿では,高密度な視覚的表現空間におけるナビゲーションダイナミクスをモデル化するRepresentation Autoencoder-based Navigation World Model (RAE-NWM)を提案する。 連続的な遷移をモデル化するためにデカップリング拡散変圧器ヘッド(CDiT-DH)を用いた条件拡散変圧器を用い、生成中の動作注入強度を制御するために動的条件付けのための時間駆動ゲーティングモジュールを別々に導入する。
  論文  参考訳（メタデータ） (2026-03-10T06:16:23Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)

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。