論文の概要: RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions

• arxiv url: http://arxiv.org/abs/2610.34356v2
• Date: Sun, 01 Nov 2026 08:18:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.703005
• Title: RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions
• Title（参考訳）: RynnVLA-Latent:3次元ラテントアクションを用いたロボットマニピュレーション基礎モデルのスケーリング
• Abstract要約: RynnVLA-Latentは、異種インタラクションビデオから、ロボットポリシー事前学習のためのスケーラブルな監視を行うフレームワークである。 RynnLAMは、ネイティブロボットコントロールを必要とせずに、視覚遷移から連続して3Dグラウンドで潜入動作を学ぶ。
• 参考スコア（独自算出の注目度）: 38.09102112181815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling vision-language-action (VLA) models is constrained by scarce action-labeled demonstrations and incompatible control spaces across robot embodiments. We present RynnVLA-Latent, a framework that turns heterogeneous interaction videos into scalable supervision for robot policy pretraining. At its core, RynnLAM learns continuous, 3D-grounded latent actions from visual transitions without requiring native robot controls. By combining residual future-feature prediction, camera-compensated 3D-flow supervision, and camera-motion decoupling, RynnLAM encourages representations that capture control-relevant motion rather than appearance changes alone. We apply RynnLAM to 30.1K hours of human, robot, and simulation videos, producing 745.52M latent-action descriptors. RynnVLA-Latent then learns to predict latent-action chunks from visual observations and language through flow matching, before adapting its pretrained backbone and action expert to embodiment-specific robot actions. The resulting 4B policy achieves 98.8% success on LIBERO, 84.7% on LIBERO-Plus without benchmark-specific adaptation, 51.9% average success across five VLABench tracks, and 88.6% average success on the RoboTwin 2.0 bimanual benchmark. It also achieves the highest observed success rates among the compared methods on six real-world manipulation tasks across dexterous-hand and mobile-gripper platforms. Together with representation ablations and data-scaling results, these findings demonstrate the potential of latent-action supervision for scaling robot policy learning beyond native action-labeled data.
• Abstract（参考訳）: 視覚-言語-アクション(VLA)モデルのスケーリングは、動作ラベルの少ないデモや、ロボットの実施形態にまたがる非互換な制御空間によって制限される。 RynnVLA-Latentは、異種インタラクションビデオから、ロボットポリシー事前学習のためのスケーラブルな監視を行うフレームワークである。 コアとなるRynnLAMは、ネイティブなロボットコントロールを必要とせずに、視覚的な遷移から連続した3Dグラウンドの潜伏アクションを学習する。 残余の将来の予測、カメラ補償された3Dフローの監視、カメラモーションのデカップリングを組み合わせることで、RynnLAMは外観の変化のみではなく、制御関連モーションをキャプチャする表現を奨励する。 我々はRynnLAMを人間、ロボット、シミュレーションビデオの30.1K時間に適用し、745.52Mの潜在動作記述子を生成する。 RynnVLA-Latentは、トレーニング済みのバックボーンとアクションエキスパートを体現するロボットアクションに適応させる前に、フローマッチングを通じて視覚観察と言語から潜在アクションのチャンクを予測することを学ぶ。 その結果、LIBEROは98.8%、LIBERO-Plusは84.7%、VLABenchは51.9%、RoboTwin 2.0は88.6%だった。 また,6つの実世界の操作タスクにおいて,デキスタラスハンドとモバイルグリッパープラットフォームで比較した手法の中で,最も高い成功率を達成した。 これらの結果は、表現の短縮とデータスケーリングの結果とともに、ネイティブなアクションラベル付きデータを超えてロボットポリシー学習をスケールする潜在アクション監視の可能性を示している。

関連論文リスト

• AWAM: Active Trajectory-Conditioned View Imagination for Robust Robot Manipulation [28.884997752141675]
  AWAMは、行動する前に計画された軌道に沿って何を見るかを観察し、想像する計画を立てている。 AWAMは、LIBERO-Occで75.9%、LIBERO-Plusで62.4%、RLBench-OG Occlusion1で76.5%、実ロボット試験で94.4%の競争成功率を記録した。
  論文  参考訳（メタデータ） (2026-10-16T12:53:08Z)
• EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
  EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。 743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
  論文  参考訳（メタデータ） (2026-10-14T20:34:18Z)
• Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
  ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。 我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。 Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
  論文  参考訳（メタデータ） (2026-10-14T03:15:23Z)
• ViDAL: A Visual Dynamics-Grounded Action Latent Space for Vision-Language-Action Models [23.40831784917559]
  本稿では,視覚力学を基盤としたアクションラテント空間ViDALを紹介し,シーンの視覚力学における連続的なアクションラテントをアンカーする。 具体的には、アクション変分オートエンコーダ(Action VAE)をトレーニングし、アクションチャンクを再構築することで、アクション潜時空間を学習する。 下流ロボットポリシーに統合されると、提案されたAction VAEは複数のVLAアーキテクチャと互換性のあるプラグインアクションインターフェースとして機能する。
  論文  参考訳（メタデータ） (2026-10-06T11:02:27Z)
• OpenWAM: An Open Framework for Composable World-Action Models [30.981740473743418]
  OPENWAMは,共通の因果的ロボット・ビデオ基盤を基盤として構築されたオープンワールドアクションモデリングフレームワークである。 我々は、1万時間以上のビデオで因果的ロボットビデオの事前トレーニングを行い、その後、共有Mixture-of-Transformersアーキテクチャを通じてアクションエキスパートを統合する。 OPENWAMは4つのLIBEROスイートと実世界のバイマニュアルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-10-06T08:02:12Z)
• Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models [15.173629384871013]
  VLA(Vision-Language-Action)モデルは、マルチモーダルコンテキストをロボットアクションに変換することができるが、そのアクションデコーダは行動クローニングによって主に訓練されている。 Intention Distillation (INDI) を提案する。
  論文  参考訳（メタデータ） (2026-08-24T16:42:49Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• Contrastive Representation Regularization for Vision-Language-Action Models [64.10170453130324]
  本稿では,ビジョン・ランゲージ・アクション(VLA)モデルの表現正規化であるロボット状態認識コントラスト損失(RS-CL)を紹介する。 特に、RS-CLは、状態間の相対的な距離をソフト・インスペクションとして使用することにより、ロボットの受容状態とより密に表現する。 実験の結果,RS-CLは最先端VLAモデルの操作性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-10-02T06:41:22Z)
• BridgeVLA: Input-Output Alignment for Efficient 3D Manipulation Learning with Vision-Language Models [37.699828966838986]
  BridgeVLAは、3D入力を複数の2D画像に投影し、VLMバックボーンとの入力アライメントを保証する新しい3D VLAモデルである。 アクション予測に2Dヒートマップを使用し、一貫した2次元画像空間内の入力空間と出力空間を統一する。 10以上のタスクで96.8%の成功率を達成することができ、1タスクにつき3つの軌道しか持たず、異常なサンプル効率を誇示している。
  論文  参考訳（メタデータ） (2025-06-09T17:36:34Z)

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。