論文の概要: From Reasoning to Action: Consequence-Grounded Alignment for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.39543v1
• Date: Thu, 29 Oct 2026 07:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:29:17.448348
• Title: From Reasoning to Action: Consequence-Grounded Alignment for Vision-Language-Action Models
• Title（参考訳）: 推論から行動へ:視覚・言語・行動モデルにおける連続的アライメント
• Abstract要約: 推論は、意図した行動と期待する結果とを結びつけることで意思決定を通知する。 結果に基づく推論とアクションのアライメントフレームワークであるCoRActを紹介します。 CoRActは、アクションノイズ空間における報酬誘導最適化を通じて、推論とアクションを明確に調整する。
• 参考スコア（独自算出の注目度）: 19.114098786894502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning informs decision-making by connecting intended actions with their expected consequences. Recent vision-language-action (VLA) models incorporate embodied chains of thought (ECoTs) to guide action generation. However, such guidance remains implicit, as actions are conditioned on ECoTs rather than explicitly optimized to align with them. We introduce CoRAct, a consequence-grounded reasoning-to-action alignment framework that explicitly aligns reasoning and action through reward-guided optimization in action noise space. CoRAct formulates two physically grounded ECoT components as verifiable signals: movement specifies intended motion, while waypoints encode expected spatial consequences. A unified Mixture-of-Transformers jointly models ECoT reasoning, action generation, and action-conditioned future prediction. For candidate actions generated from sampled noise, CoRAct computes alignment rewards based on movement consistency and agreement between predicted outcomes and specified waypoints. These rewards guide group-relative optimization of the initial noise distribution, steering action generation toward consistency with intended actions and expected consequences. Experiments across RoboCasa, VLABench, and real-world manipulation tasks demonstrate improvements in task success, generalization, and reasoning-execution alignment over strong ECoT-based VLA baselines. CoRAct also grounds externally provided ECoTs in executable behavior, enabling zero-shot adaptation to novel scenarios by leveraging knowledge from powerful vision-language models. Project page and dataset: https://onlyxingxingzyx.github.io/CoRAct/
• Abstract（参考訳）: 推論は、意図した行動と期待する結果とを結びつけることで意思決定を通知する。 近年の視覚-言語-アクション(VLA)モデルでは、行動生成を導くために思考のエンボディチェーン(ECoT)が組み込まれている。 しかしながら、アクションがECoTに条件付けられているため、これらのガイダンスは依然として暗黙的なままである。 我々は,行動雑音空間における報酬誘導最適化を通じて,推論と行動を明確に整合させる,結果グラウンドの推論と行動のアライメントフレームワークであるCoRActを紹介する。 CoRActは2つの物理的に接地されたECoT成分を検証可能な信号として定式化し、運動は意図した動きを規定し、ウェイポイントは期待される空間効果を符号化する。 統合Mixture-of-Transformersは、ECoT推論、アクション生成、アクション条件付き将来の予測を共同でモデル化する。 サンプルノイズから発生する候補動作に対して、CoRActは、動きの一貫性と予測結果と特定経路点との一致に基づいてアライメント報酬を算出する。 これらの報奨は、初期雑音分布の群相対的最適化、意図された行動と期待された結果との整合性に向けた操舵行動生成を導く。 RoboCasa、VLABench、および実世界の操作タスクにわたる実験は、強力なECoTベースのVLAベースラインに対するタスク成功、一般化、推論実行アライメントの改善を示す。 CoRActはまた、外部から提供されたECoTを実行可能な振る舞いに基盤にして、強力な視覚言語モデルからの知識を活用することで、新しいシナリオへのゼロショット適応を可能にする。 プロジェクトページとデータセット:https://onlyxingxingzyx.github.io/CoRAct/

関連論文リスト

• Policy-Aligned Predictive Verification for Adaptive VLA Action-Chunk Execution [29.851693894969916]
  視覚言語アクション(VLA)ポリシーは、繰り返し推論を減らすアクションシーケンスを生成する。 候補行動プレフィックスの結果を予測する政策整合予測検証器(PAV)を導入する。 提案手法は,VLAの内部タスク条件表現空間における既存の提案を評価する。
  論文  参考訳（メタデータ） (2026-10-15T07:45:17Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection [58.95432059887781]
  ATI-VLAはAction-Centric Predictive Vision-Language-Actionフレームワークである。 両方のモダリティを共有潜在空間にマッピングすることで、予測観測と行動表現を一致させる。 その後、予測された観測潜伏者を明示的な予測先行として行動復号に注入する。
  論文  参考訳（メタデータ） (2026-10-01T14:12:23Z)
• Learning Skills from Historical Action Trajectories: Action Experience Dictionary for World Action Models [129.76412745258145]
  World Action Models(WAM)は、視覚力学予測とアクション生成を結合するが、操作タスク間のアクションエクスペリエンスの再利用を明示的にサポートしていない。 本研究では,歴史的行動軌跡を共有行動埋め込みにエンコードするアクション体験辞書(AED)を開発した。 シミュレーション・ベンチマークと実世界のクロス・エボディメント・セッティングの実験により,AEDの有効性が検証された。
  論文  参考訳（メタデータ） (2026-09-30T17:26:38Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• CAC-VLA: Context-Gated Action Conditioning for Vision-Language-Action Models [22.159641172687884]
  VLA(Vision-Language-Action)モデルは、汎用ロボット操作において有望なパラダイムとなっている。 本稿では,CAC-VLAを提案する。CAC-VLAは,VLM内で直接,軽量な潜在動作インタフェースを学習するコンテキストゲーティング・アクション・コンディショニング・フレームワークである。 LIBEROとLIBERO-Plusの実験はCAC-VLAの有効性を示し、平均成功率は98.3%に達した。
  論文  参考訳（メタデータ） (2026-07-06T08:50:05Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models [14.109112325287208]
  本研究は,2つの視点から潜時行動監視に関する研究である。 (i) 画像に基づく潜時行動による軌道の規則化, (ii) 行動に基づく潜時行動による目標空間の統一である。 以上の結果より, 動作に基づく潜在動作は複雑な運動調整において優れるが, 定式化タスク対応は明らかである。
  論文  参考訳（メタデータ） (2026-05-06T09:27:07Z)
• Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification [17.948161564138033]
  Reasoning Vision Language Action (VLA)モデルは、低レベルアクションの前にステップバイステップのテキストプランを生成することで、ロボットによる命令追従を改善する。 しかし、正しいテキストプランであっても、生成したアクションは計画の意図した結果、特にアウト・オブ・ディストリビューションのシナリオを見逃す可能性がある。 我々は、この現象をCoT忠実性の欠如として定式化し、推論・アクションアライメントのためのトレーニング不要な実行時ポリシーステアリング手法を導入する。
  論文  参考訳（メタデータ） (2025-10-18T00:38:45Z)
• Weakly-Supervised Temporal Action Localization with Bidirectional Semantic Consistency Constraint [83.36913240873236]
  WTAL(Weakly Supervised Temporal Action Localization)は、ビデオの時間的境界を分類し、ローカライズすることを目的としている。 本研究では,双方向意味整合性制約 (Bi-SCC) という単純な手法を提案する。 実験結果から,THUMOS14とActivityNetの最先端手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-04-25T07:20:33Z)

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。