論文の概要: CondenseVLA: Learnable History Condensation for Efficient Multi-Frame VLA
- arxiv url: http://arxiv.org/abs/2610.25927v1
- Date: Mon, 19 Oct 2026 07:26:13 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:14:35.001786
- Title: CondenseVLA: Learnable History Condensation for Efficient Multi-Frame VLA
- Title（参考訳）: CondenseVLA: 効率的な多フレームVLAのための学習可能な履歴凝縮
- Abstract要約: 本稿では,学習可能なデコーダ側履歴凝縮モジュールを備えたマルチフレームVLAポリシであるCondenseVLAを提案する。
学習可能なクエリとマルチヘッドのクロスアテンションを使用して、観測履歴を固定されたスロットトークンのセットに抽出する。
Simpler-WidowXの成功率は58.7%から69.8%(+11.1ポイント)に改善され、LIBEROでは97.2%、現実世界のタスクでは52.8%に達した。
- 参考スコア（独自算出の注目度）: 31.603378356022407
- License:
- Abstract: Robot manipulation often depends on short-term cues - such as brief contacts, temporary occlusions, and intermediate object states - that are ambiguous in a single frame and can only be resolved by integrating observations over time. However, injecting historical information solely by enlarging the history window is computationally costly and frequently yields limited gains due to substantial redundancy and task-agnostic, inflexible sampling of observations. We propose CondenseVLA, a multi-frame VLA policy with a learnable decoder-side history condensation module for using short-term visual context in action decoding. Given a sequence of cached per-frame features from the VLM backbone, CondenseVLA distills observation history into a fixed set of slot tokens using learnable queries and multi-head cross-attention. Simple auxiliary regularization penalizes overlap among slot attention maps and decorrelates slot embeddings, encouraging complementary attention and reducing slot redundancy. Across the evaluated tasks, CondenseVLA improves Simpler-WidowX success from 58.7% to 69.8% (+11.1 percentage points), achieves 97.2% on LIBERO, and reaches 52.8% on real-world tasks. It achieves 21.6% success on memory-dependent RMBench tasks. These results support selective condensation of bounded recent visual evidence for action decoding, while harder multi-observation tasks expose the limits of a finite history window. Project page: https://github.com/FeiyangHong/CondenseVLA
- Abstract（参考訳）: ロボットの操作は、短時間の接触、一時的な閉塞、中間的な物体の状態など、短期的な手がかりに依存することが多い。
しかし、履歴ウィンドウを拡大することによってのみ履歴情報を注入することは計算コストが高く、かなりの冗長性やタスクに依存しない非フレキシブルな観察サンプリングのために、しばしば利得が制限される。
本研究では,複数フレームのVLAポリシーであるCondenseVLAを提案する。
VLMバックボーンからキャッシュされたフレーム単位の一連の特徴を与えられたCondenseVLAは、学習可能なクエリとマルチヘッドのクロスアテンションを使用して、観測履歴を固定されたスロットトークンのセットに蒸留する。
単純な補助正規化はスロットアテンションマップ間の重なりをペナライズし、スロット埋め込みをデコレーションし、補完的なアテンションを奨励し、スロット冗長性を減少させる。
評価されたタスク全体で、CondenseVLAはSimpler-WidowXの成功率を58.7%から69.8%(+11.1ポイント)に改善し、LIBEROでは97.2%、現実世界では52.8%に達した。
メモリ依存のRMBenchタスクで21.6%成功している。
これらの結果は、制限された最近の行動復号化の視覚的証拠の選択的凝縮をサポートし、一方、より厳密な多観測タスクは、有限履歴ウィンドウの限界を露呈する。
プロジェクトページ:https://github.com/FeiyangHong/CondenseVLA
関連論文リスト
- SPARE: Shared Perception and Adaptive Retrieval of Evidence for Streaming Video Understanding [45.305417318526054]
ビデオの理解をストリーミングするには、観察されたビデオからの質問に答える必要がある。
適応的履歴検索と視覚的エンコーダ共有を組み合わせたフレームワークであるSPAREを提案する。
視覚のみの入力で、SPAREはOVO-Benchのリアルタイムおよびバックワードタスクグループで77.78%、StreamingBenchで73.31%を達成する。
論文 参考訳（メタデータ） (2026-10-10T07:37:10Z) - EvoMem-VLA: State-Evolution Memory for Long-Horizon Robot Manipulation [27.5832260127858]
EvoMem-VLAは、歴史的状態間の観測された変化を明示的に符号化し、保持することで、状態進化記憶を構築する。
これらの変更表現は相互作用の結果の証拠を保存し、分離されたスナップショットを超えてタスクの進捗を追跡することができる。
論文 参考訳（メタデータ） (2026-10-04T17:59:43Z) - TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation [14.84720789511593]
本稿では,物理的基盤の時間的監督を通じて,コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。
LIBERO Longでは96.60+/-0.87%、RoboTwin 12タスクで85.5%/84.2%のクリーン/ランダム化成功を含む、TemporalFlow-VLAが平均97.63+/-0.26%のLIBEROで平均的な成功を達成していることを示す。
論文 参考訳（メタデータ） (2026-08-27T09:00:56Z) - Surprise Forcing: What to Remember, When to Skip in Long Video Generation [65.0022589149937]
自己回帰拡散をストリーミングすることで、ミニスケールのビデオ合成が実用的になるが、そのコンテキスト境界と固定化スケジュールはリソースを均一に割り当てる。
我々は、両方の制限をオンラインリソース割り当て問題として扱う、トレーニング不要のフレームワークであるSurprise Forcingを紹介した。
VBench、VBench-Long、VBench-2.0の実験では、提案されたアロケーション戦略は、リアルタイムストリーミングスループットを維持しながら、長時間の一貫性と視覚的品質を改善する。
論文 参考訳（メタデータ） (2026-07-20T18:37:58Z) - KEMO: Event-Driven Keyframe Memory for Long-Horizon Robot Manipulation with VLA Policies [14.253600207124194]
メモリはこの曖昧さに対処し、ポリシーが実行履歴からタスクの進捗を推測できるようにする。
本稿では,VLA ポリシーのタスク関連状態変化に関連するキネマティクスを自動的に保存する,軽量なプラグインメモリフレームワーク KEMO を提案する。
830ステップから2846ステップ(28秒から95秒)の軌道長と2～6サブタスクにまたがる実世界のマルチアーム操作タスクにおけるKEMOの評価を行った。
論文 参考訳（メタデータ） (2026-06-22T16:57:43Z) - EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。
KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。
対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
論文 参考訳（メタデータ） (2026-06-18T11:11:37Z) - Non-Markovian Long-Horizon Robot Manipulation via Keyframe Chaining [56.62125584296097]
Keyframe-Chaining VLAは、キー履歴フレームを抽出し、長い水平依存関係をモデル化するフレームワークである。
本研究では,現在の実行フェーズに対する時間的関連性に基づいて,動的に履歴フレームを検索する進捗対応機構を設計する。
タスク成功率を測定するために,ManiSkillシミュレータ上に構築された4つの非マルコフ操作タスクスイートを紹介する。
論文 参考訳（メタデータ） (2026-03-02T05:26:29Z) - CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。
CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。
これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
論文 参考訳（メタデータ） (2025-06-24T17:30:27Z) - ConStruct-VL: Data-Free Continual Structured VL Concepts Learning [57.86651057895222]
本稿では,Continuous Data-Free Structured VL Concepts Learning (ConStruct-VL)ベンチマークを紹介する。
本稿では,過去のタスクモデルから過去のタスクの逆リマインダーを生成するAdrial Pseudo-Replay (APR) の新たなアプローチによるデータフリー手法を提案する。
このアプローチは、いくつかのレベルのエクスペリエンス再生に適合しながら、すべてのデータフリーメソッドを最大7%上回ります。
論文 参考訳（メタデータ） (2022-11-17T18:57:03Z) - Temporal Memory Relation Network for Workflow Recognition from Surgical
Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。
我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文 参考訳（メタデータ） (2021-03-30T13:20:26Z)
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。