論文の概要: From Tabletop to Walking Bot: Deploying a VLA Model on a Legged Manipulator Robot

• arxiv url: http://arxiv.org/abs/2610.32271v1
• Date: Fri, 23 Oct 2026 07:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.420738
• Title: From Tabletop to Walking Bot: Deploying a VLA Model on a Legged Manipulator Robot
• Title（参考訳）: テーブルトップからウォーキングボットへ:足のマニピュレータロボットにVLAモデルを配置する
• Abstract要約: 視覚言語アクション(VLA)モデルは通常、幅広い多様なデータセットで事前訓練され、特定のターゲットロボットに合わせて比較的小さなデータセットで微調整される。 我々は、データ収集、モデル適応、推論設計におけるこの変更の実践的要求を調査し、AgileX Piperアームを備えたUnitree Go2上でクローズループのロコ操作を実現する。
• 参考スコア（独自算出の注目度）: 3.503916247376512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models are typically pretrained on broad, diverse datasets and subsequently fine-tuned on a comparatively small dataset tailored to a specific target robot. Such adaptation recipe is now widely established, achieving its most mature results on fixed-base arms due to their static base dynamics and consistent reference frame. Mounting the same arm on a quadruped extends the workspace to the entire floor, but fundamentally changes the embodiment: rather than controlling the arm in isolation, the policy must jointly coordinate base navigation, body posture, and end-effector motion. In this work, we study the practical demands of this embodiment change across data collection, model adaptation, and inference design to achieve closed-loop loco-manipulation on a Unitree Go2 with an AgileX Piper arm. We report the choices that made this real-robot deployment feasible, namely model variant, action horizon, and demonstration conventions, together with a study tailored to a pick-and-place task, separating data coverage from model capacity. We show that expanding demonstration coverage reduces held-out end-effector error by 30%, and incorporating secondary skills (such as pushing rather than grasping) introduces new behavioral modes without degrading baseline performance. Finally, closed-loop real-world experiments show how dataset composition shapes success and failure, validating the pipeline for more complex loco-manipulation.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは通常、幅広い多様なデータセットで事前訓練され、その後、特定のターゲットロボットに合わせた比較的小さなデータセットで微調整される。 このような適応レシピは、現在広く確立されており、静的ベースダイナミクスと一貫した参照フレームにより、固定ベースアーム上で最も成熟した結果が得られる。 四足歩行で同じアームを装着するとワークスペースが床全体に拡張されるが、基本的には実施形態が変更される: 腕を独立した状態で制御するのではなく、ポリシーはベースナビゲーション、体姿勢、およびエンドエフェクター運動を協調的に調整する必要がある。 本研究では,データ収集,モデル適応,推論設計におけるこの具体的変化の実践的要求について検討し,AgileX Piper アームを備えた Unitree Go2 上で閉ループのロコ操作を実現する。 モデルキャパシティからデータカバレッジを分離する、ピック・アンド・プレイス・タスクに適した研究とともに、モデル変種、アクション・ホライズン、デモ・コンベンションといった実際のロボットのデプロイを実現するための選択肢を報告します。 実験対象範囲を拡大することで、ホールドアウトのエンドエフェクタエラーを30%削減し、セカンダリスキル(握りよりもプッシュなど)を取り入れることで、ベースライン性能を低下させることなく、新たな動作モードを導入することを示す。 最後に、クローズドループの実世界の実験は、データセットの合成が成功と失敗を形作る方法を示し、より複雑なロコ操作のためのパイプラインを検証する。

関連論文リスト

• DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
  DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。 固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。 これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
  論文  参考訳（メタデータ） (2026-08-20T14:44:11Z)
• ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
  ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。 これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。 ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
  論文  参考訳（メタデータ） (2026-02-11T16:47:01Z)
• Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
  VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。 標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。 本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
  論文  参考訳（メタデータ） (2026-02-10T12:25:43Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• 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。