論文の概要: MAST-VLA: Skill-Conditioned Adaptation with Trajectory-Affordance Priors for Multi-Skill Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.32312v1
• Date: Fri, 23 Oct 2026 08:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.429377
• Title: MAST-VLA: Skill-Conditioned Adaptation with Trajectory-Affordance Priors for Multi-Skill Robot Manipulation
• Title（参考訳）: MAST-VLA:マルチスキルロボットマニピュレーションのための軌道精度優先型スキルコンディション適応
• Abstract要約: 汎用ロボット操作は、シーンや指示にまたがる多様なスキルを実行するために、単一の視覚言語アクション(VLA)ポリシーを必要とする。 MAST-VLA (Multi-Skill Adaptation with Skill-conditioned experts and Trajectory-Afordance priors) は,ロボット操作のためのマルチコンディショニングフレームワークである。
• 参考スコア（独自算出の注目度）: 22.58387767864667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist robot manipulation requires a single vision-language-action (VLA) policy to execute diverse skills across scenes and instructions. However, current multi-skill VLA policies often leave two aspects of an instruction insufficiently modeled: which primitive skill to execute and where/how to contact and move objects. We propose MAST-VLA (Multi-skill Adaptation with Skill-conditioned experts and Trajectory-affordance priors), a dual-conditioning framework for robot manipulation. MAST-VLA introduces skill-conditioned LoRA Mixture-of-Experts (LoRA-MoE) adapters in the LLM backbone, where skill-query tokens and routing biases guide low-rank expert specialization, and converts a predicted affordance heatmap into a patch-level trajectory-affordance spatial prior for the action head. On the CALVIN ABC$\rightarrow$D long-horizon multi-skill cross-scene generalization setting, MAST-VLA achieves state-of-the-art performance, reaching an Avg. Len of 4.65 over five-subtask evaluation sequences. Real-robot multi-skill sequence experiments further validate its deployability under real perception and control noise.
• Abstract（参考訳）: 汎用ロボット操作は、シーンや指示にまたがる多様なスキルを実行するために、単一の視覚言語アクション(VLA)ポリシーを必要とする。 しかしながら、現在のマルチスキルのVLAポリシーでは、どのプリミティブスキルを実行し、どこでオブジェクトに接触し、移動するかという、命令の2つの側面を十分にモデル化していないことが多い。 MAST-VLA (Multi-Skill Adaptation with Skill-conditioned experts and Trajectory-Afordance priors) は,ロボット操作のためのマルチコンディショニングフレームワークである。 MAST-VLA は LLM バックボーンにスキルコンディション付き LoRA Mixture-of-Experts (LoRA-MoE) アダプタを導入し、スキルクエリトークンとルーティングバイアスが低ランクの専門家の専門化を導く。 CALVIN ABC$\rightarrow$D long-horizon multi-skill cross-scene generalization setでは、MAST-VLAは最先端のパフォーマンスを達成し、Avgに達する。 5サブタスク評価シークエンス4.65。 実ロボットのマルチスキルシーケンス実験は、実際の知覚と制御ノイズ下での展開性をさらに検証する。

関連論文リスト

• $τ_0$-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation [51.05516457377339]
  ロングホライズンロボットの操作には、ロボットが個々のスキルを確実に実行し、拡張されたタスクに対してそれらを一貫性を持ってシーケンスする必要がある。 計算スケーリング可能な推論問題として高レベルサブタスク生成を定式化する階層型ロボット基盤モデルである$_0$-VLAを導入する。 低レベルポリシーは、生成されたサブタスクを複数のロボットエンボディメントにわたって実行する。
  論文  参考訳（メタデータ） (2026-08-17T17:59:11Z)
• 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)
• DeMaVLA: A Vision-Language-Action Foundation Model for Generalizable Deformable Manipulation [12.935477248310674]
  一般化可能なデフォルマブルマニピュレーションのためのVLA基礎モデルであるDeMaVLAを紹介する。 DeMaVLAはアクションエキスパートを備えたVLMバックボーンを採用し、フローマッチングを使用して連続的なアクション生成を定式化する。 実験により,DeMaVLAはRoboTwin上での競争性能と家庭用の折り畳みベンチマークにおける実世界の強みを実証した。
  論文  参考訳（メタデータ） (2026-05-29T13:20:08Z)
• VER: Vision Expert Transformer for Robot Learning via Foundation Distillation and Dynamic Routing [89.48383845451717]
  ロボット学習のためのビジョンエキスパートトランスフォーマーであるVERを提案する。 プレトレーニング中、VERは複数のVFMをビジョンエキスパートライブラリに蒸留する。 そして、タスク関連の専門家を動的に選択するために、軽量なルーティングネットワークのみを微調整する。
  論文  参考訳（メタデータ） (2025-10-06T18:00:43Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)
• LoHoVLA: A Unified Vision-Language-Action Model for Long-Horizon Embodied Tasks [31.3295171851909]
  実世界のエンボディエージェントは、マルチステップソリューションを必要とするハイレベルな目標に直面します。 ロングホライゾンタスクは、ハイレベルなタスクプランニングと低レベルなモーションコントロールを必要とする。 我々は,LoHoVLAと呼ばれる長期タスクのための統合視覚言語フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-31T06:01:03Z)
• ChatVLA: Unified Multimodal Understanding and Robot Control with Vision-Language-Action Model [21.844214660424175]
  ChatVLAは、初期制御熟達後のマルチモーダルデータを段階的に統合するフェーズアライメントトレーニングと、タスク干渉を最小限に抑えるMixture-of-Expertsアーキテクチャを特徴とする、新しいフレームワークである。 ChatVLAは、視覚的問合せデータセット上での競合性能を示し、マルチモーダル理解ベンチマークにおける最先端のビジョン言語アクション(VLA)メソッドを大幅に上回っている。 本研究は,ロバストなマルチモーダル理解と効果的なロボット制御を実現するための統合フレームワークの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-20T10:16:18Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)

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。