論文の概要: FocusVLA: Future-Intent Guided Dynamic View Routing for Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2610.31423v1
- Date: Thu, 22 Oct 2026 15:25:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.423857
- Title: FocusVLA: Future-Intent Guided Dynamic View Routing for Vision-Language-Action Models
- Title（参考訳）: FocusVLA:ビジョン・ランゲージ・アクションモデルのための将来のインテントガイド動的ビュールーティング
- Abstract要約: 視覚言語アクション(VLA)モデルのためのステージ認識型多視点ルーティングフレームワークであるFocusVLAを提案する。
グローバルとローカルの観察を異なるタスクステージに適応的に調整することで、FocusVLAはマルチビュー利用を改善する。
実世界の評価では、FocusVLAは成功率を71.7%から85.0%に改善し、$_0.5$よりも13.3%上昇した。
- 参考スコア（独自算出の注目度）: 3.4318908089770677
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models have become an important paradigm for robotic manipulation by unifying visual perception, language understanding, and action generation. Since reliable manipulation requires sufficient observation of objects, end-effectors, and their spatial relationships, multi-view inputs are widely used to provide complementary spatial information. However, our experiments show that existing VLA models do not fully exploit such multi-view complementarity. The policy tends to persistently rely on the wrist view, lacking the ability to dynamically adjust global-local view dependency across manipulation stages, which limits stage adaptability and robustness. To address this issue, we propose FocusVLA, a stage-aware multi-view routing framework. FocusVLA predicts future interaction intent from historical actions and uses it to guide dynamic view routing during action generation. By adaptively coordinating global and local observations across different task stages, FocusVLA improves multi-view utilization. On RoboTwin 2.0, FocusVLA improves the average success rate over the strongest baseline $π_{0.5}$ by 10.10 pp. In real-world evaluation, FocusVLA improves the success rate from 71.7\% to 85.0\%, achieving a 13.3\% gain over $π_{0.5}$. Moreover, the intent prediction and dynamic routing modules of FocusVLA can be integrated into existing VLA frameworks without modifying their core architectures.
- Abstract（参考訳）: 視覚言語行動モデル(VLA)は、視覚知覚、言語理解、行動生成を統一することでロボット操作の重要なパラダイムとなっている。
信頼性の高い操作には、オブジェクト、エンドエフェクタ、それらの空間関係の十分な観察が必要であるため、補完的な空間情報を提供するために多視点入力が広く使用されている。
しかし,本実験により,既存のVLAモデルは,そのような多視点補完性を十分に活用していないことが示された。
ポリシーは、操作段階間でグローバルローカルなビュー依存性を動的に調整する能力が欠如しており、ステージ適応性と堅牢性が制限されている。
この問題に対処するため,ステージ対応マルチビュールーティングフレームワークであるFocusVLAを提案する。
FocusVLAは、過去のアクションから将来のインタラクション意図を予測し、アクション生成中に動的ビュールーティングをガイドするためにそれを使用する。
グローバルとローカルの観察を異なるタスクステージに適応的に調整することで、FocusVLAはマルチビュー利用を改善する。
RoboTwin 2.0では、FocusVLAは最強のベースラインである$π_{0.5}$を10.10 ppで上回る平均成功率を改善する。
実世界の評価では、FocusVLAは成功率を71.7\%から85.0\%に改善し、$π_{0.5}$よりも13.3\%上昇する。
さらに、FocusVLAのインテント予測と動的ルーティングモジュールは、コアアーキテクチャを変更することなく、既存のVLAフレームワークに統合することができる。
関連論文リスト
- H-VLA: Hierarchical Vision-Language-Action Model with Key-Action Reasoning and Motion Planning in a Unified Action Space [29.429328779681185]
VLA(Vision-Language-Action)モデルは、ロボット操作の強力な可能性を示している。
既存の多くの手法は、言語や視覚的な観察から密接な行動への直接的なマッピングに依存している。
低レベルのモーション生成から高レベルのキーアクション推論を分離する階層型VLAフレームワークであるH-VLAを提案する。
論文 参考訳（メタデータ） (2026-09-19T09:01:06Z) - Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。
固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。
本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
論文 参考訳（メタデータ） (2026-08-27T17:59:40Z) - Pelican-VLA 0.5: Attending Before Acting Benefits Generalization [21.067819744014454]
本稿では,視覚言語理解,未来フレーム生成,行動予測をひとつのアーキテクチャに統合した統合VLAモデルであるPelican-VLA 0.5を提案する。
Pelican-VLA 0.5は、オブジェクトアノテーション、セグメンテーションマスク、注意監督、タスク固有の微調整がなければ、そのアクションパスは、操作関連オブジェクトとコンタクト領域に焦点を当てている。
論文 参考訳（メタデータ） (2026-07-07T17:50:22Z) - Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。
本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
論文 参考訳（メタデータ） (2026-05-22T20:43:47Z) - Look Before Acting: Enhancing Vision Foundation Representations for Vision-Language-Action Models [66.96421290733126]
VLA(Vision-Language-Action)モデルは、ロボット操作のための有望なパラダイムとして登場した。
我々はtextbfVision-Language Mixture-of-Transformers (VL-MoT) フレームワーク上に構築した textbfDeepVision-VLA を提案する。
DeepVision-VLAは、シミュレーションされたタスクと実世界のタスクで、それぞれ9.0%と7.5%の先行の最先端メソッドより優れている。
論文 参考訳（メタデータ） (2026-03-16T17:59:54Z) - TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。
我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。
トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。
埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
論文 参考訳（メタデータ） (2026-03-03T13:28:07Z) - CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。
視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。
実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
論文 参考訳（メタデータ） (2025-03-27T22:23:04Z)
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。