論文の概要: Retrieve to Act: Motion Primitive Graph Retrieval for Robust VLA Execution

• arxiv url: http://arxiv.org/abs/2610.37215v1
• Date: Tue, 27 Oct 2026 13:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.63835
• Title: Retrieve to Act: Motion Primitive Graph Retrieval for Robust VLA Execution
• Title（参考訳）: 行動の検索:ロバストVLA実行のためのモーションプリミティブグラフ検索
• Abstract要約: Retrieve to Act (R2A) は、OODロバスト性を純粋に幾何学的モーションプリミティブ検索問題として定式化するテスト時間スケーリングフレームワークである。 推論中、クエリ依存のグラフニューラルネットワークは、このグラフ内でのロボットの実行を動的にローカライズする。 R2Aは、シミュレーションベンチマークで最大+12%、実世界のデプロイで+40%という絶対的な成功率の向上を実現している。
• 参考スコア（独自算出の注目度）: 24.210659224024468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) policies demonstrate remarkable semantic generalization, yet remain highly vulnerable to out-of-distribution (OOD) visual shifts during execution. While existing test-time methods attempt to suppress spurious visual cues, they fundamentally overlook the rich, uncorrupted kinematic priors embedded in the policy's own training experience. We introduce Retrieve to Act (R2A), a test-time scaling framework that formulates OOD robustness purely as a geometric motion primitive retrieval problem. R2A bypasses fragile visual features by structuring successful training demonstrations into an offline spatiotemporal motion primitive graph. During inference, a query-dependent Graph Neural Network dynamically localizes the robot's ongoing execution within this graph, retrieving structurally compatible future motion primitives. These retrieved geometric priors are then seamlessly harmonized with the frozen VLA's predicted actions via a learned, dimension-wise gating mechanism, adaptively rectifying erroneous spatial trajectories while preserving the policy's local reactivity. Extensive experiments across three state-of-the-art VLA architectures, GR00T N1.7, $π_{0.5}$, and StableVLA, demonstrate that R2A consistently and significantly enhances robustness against diverse contextual perturbations. R2A achieves absolute success rate improvements of up to +12% in simulation benchmarks (LIBERO-Plus, RoboTwin2.0-Plus) and +40% in real-world deployments, without requiring any finetuning of the base policies. Project page: https://retrieve2act.github.io/r2a/
• Abstract（参考訳）: VLA(Vision-Language-Action)ポリシーは、セマンティックな一般化を示すが、実行中にOOD(Out-of-Distribution)の視覚的シフトに対して非常に脆弱である。 既存のテストタイムの手法は、刺激的な視覚的手がかりを抑えようとするが、彼らは基本的に、ポリシーのトレーニング体験に埋め込まれたリッチで非破壊的なキネマティックな先例を見落としている。 本稿では,OODのロバスト性を純粋に定式化するテスト時間スケーリングフレームワークRetrieve to Act (R2A)を紹介する。 R2Aは、トレーニング成功例をオフライン時空間運動プリミティブグラフに構造化することで、脆弱な視覚的特徴をバイパスする。 推論中、クエリ依存のグラフニューラルネットワークは、このグラフ内でのロボットの実行を動的にローカライズし、構造的に互換性のある将来の動作プリミティブを取得する。 これらの抽出された幾何学的先行は、学習された次元的なゲーティング機構を通じて凍結したVLAの予測された動作とシームレスに調和し、ポリシーの局所的な反応性を維持しながら、誤った空間的軌跡を適応的に修正する。 3つの最先端のVLAアーキテクチャ、GR00T N1.7、$π_{0.5}$、およびStableVLAの広範な実験により、R2Aは様々な文脈の摂動に対する堅牢性を大幅に向上することを示した。 R2Aは、シミュレーションベンチマーク(LIBERO-Plus、RoboTwin2.0-Plus)で最大+12%、実際のデプロイメントで+40%の絶対的な成功率の改善を実現している。 プロジェクトページ: https://retrieve2act.github.io/r2a/

関連論文リスト

• Learning Vision-Based Agile Gap Traversal: Differentiable Simulation with a Warm-Started Critic [2.8894205420462082]
  本研究では,バイスモータ・ギャップ・トラバース政策訓練のための2段階強化学習フレームワークを提案する。 第一段階では、専門家アクターと批評家が、ギャップ幾何学を含む特権的な観察を用いて訓練される。 第2段階では、2台のエゴ中心のカメラと低次元の観測から2次元のギャップマスクを用いて視覚ポリシーを訓練する。
  論文  参考訳（メタデータ） (2026-09-25T02:07:30Z)
• Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
  Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。 Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。 4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
  論文  参考訳（メタデータ） (2026-09-16T06:38:36Z)
• Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference [19.683948028719808]
  VLA(Vision-Language-Action)モデルは、ロボット操作の強力な一般化を示すが、その高い推論遅延はリアルタイムデプロイメントを制限する。 本稿では,知覚と行動生成の両面での計算量を削減するシステムレベル加速戦略を提案する。 Libero、RobotWin、Real Robot Platformsの実験では、ハイパフォーマンスを維持しながら、2倍以上のスピードアップを実証している。
  論文  参考訳（メタデータ） (2026-07-14T02:48:31Z)
• Native Video-Action Pretraining for Generalizable Robot Control [77.59831077077176]
  LingBot-VA 2.0は、エンボディメントのためにゼロから構築されたビデオアクション基盤モデルである。 高周波推論の要求を満たすため,本モデルは疎いMOEバックボーンを用いる。 現実のデプロイメントは、堅牢な基盤モデルとしてLingBot-VA 2.0を検証する。
  論文  参考訳（メタデータ） (2026-07-09T16:15:43Z)
• ReactVLA: Fast and Lightweight Reactive Robot Manipulation via Improved Mean Flow Action Generation [6.976481623762446]
  textttReactVLAは、リアルタイムロボット操作のための軽量で低レイテンシなVLAフレームワークである。 textttReactVLAは、同じサイズのVLAベースラインを一貫して上回る。 現実世界のポリシーのレイテンシを38.6ミリ秒以下に短縮し、物理ロボットプラットフォームでの高速な反応性制御を可能にする。
  論文  参考訳（メタデータ） (2026-06-12T08:33:37Z)
• 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)
• VLA-IAP: Training-Free Visual Token Pruning via Interaction Alignment for Vision-Language-Action Models [27.12266806191131]
  VLA(Vision-Language-Action)モデルは、ロボットが複雑な命令駆動タスクを実行できるように、急速に高度なインボディードインテリジェンスを備えている。 現在のアプローチはしばしば、操作をサポートする視覚的にスパースで構造的に重要な領域を創り出し、初期のタスクフェーズの不安定な振る舞いを引き起こす。 提案手法であるVLA-IAP(Interaction-Aligned Pruning)では,構造的アンカーを保存するための幾何学的事前メカニズムと動的スケジューリング戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-24T09:33:05Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)

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。