論文の概要: STAR: Steering Action Representations during Inference
- arxiv url: http://arxiv.org/abs/2610.41009v1
- Date: Thu, 29 Oct 2026 21:42:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.500998
- Title: STAR: Steering Action Representations during Inference
- Title（参考訳）: STAR:推論中のステアリングアクション表現
- Abstract要約: 本稿では,事前学習された視覚言語行動モデルのためのトレーニング不要推論手法STARについて紹介する。
また,STARは遅延対象認識を改善し,平均タスク成功率を4.0ポイント向上させることを示した。
- 参考スコア（独自算出の注目度）: 20.81555149561628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action models (VLAs) map language instructions and visual observations to robot actions, showing strong capabilities across robotic manipulation tasks. However, in our probing experiment, we find that action representations near the action output do not fully preserve task-relevant visual grounding. Motivated by this late-layer grounding gap, we introduce STAR, for STeering Action Representations, a training-free inference method for pre-trained VLAs. STAR applies an exponential moving average over late-layer residual updates, allowing later action representations to inherit object-aware update directions from earlier layers without model updates or architectural changes. It further uses recent proprioceptive states to adapt the mixing strength, using conservative mixing when execution dynamics change rapidly. Experiments on robot manipulation benchmarks show that STAR improves late-layer object awareness and increases average task success rates by 4.0 percentage points. Our code is available at https://github.com/PKU-VaLuE-Lab/STAR.
- Abstract（参考訳）: 視覚言語アクションモデル(VLA)は言語命令と視覚観察をロボットアクションにマッピングし、ロボット操作タスク全体で強力な能力を示す。
しかし,我々の探索実験では,動作出力近傍の動作表現がタスク関連視覚的グラウンドを完全に保存していないことが判明した。
この遅延層接地ギャップを動機として,事前学習型VLAのトレーニングフリー推論手法であるSTARをSTeering Action Representationsに導入する。
STARは、後続のアクション表現が、モデル更新やアーキテクチャ変更なしに、以前のレイヤからオブジェクト認識更新の方向を継承できるようにするために、遅延レイヤの残余更新に対して指数関数的な移動平均を適用している。
さらに、最近の受容状態を利用して混合強度を調整し、実行ダイナミクスが急速に変化すると保守的な混合を利用する。
ロボット操作ベンチマークの実験では、STARは遅延層オブジェクトの認識を改善し、平均タスク成功率を4.0ポイント向上させる。
私たちのコードはhttps://github.com/PKU-VaLuE-Lab/STARで公開されています。
関連論文リスト
- Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models [56.97744308982891]
本稿では,将来的な物理的効果を政策の主要な予測対象とするアクション-フューチャー結合効果学習(AFCE)を紹介する。
AFCEは50.97%$で、それぞれ$_0.5$、UVTを11.82ポイント、UVTを15.21ポイント改善している。
論文 参考訳（メタデータ） (2026-10-09T08:29:46Z) - HINT: Human-Intent Inception for Long-Horizon Robot Manipulation [11.55318573740128]
HINT(Human-INTent INcepTion)は,人間の操作原理に触発されたエージェントフレームワークである。
HINTは2つの基本方針にまたがって、意図の理解、タスクの進捗、エンドツーエンドの成功を大幅に改善することを示す。
論文 参考訳（メタデータ） (2026-09-02T14:26:30Z) - 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) - Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。
幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。
動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
論文 参考訳（メタデータ） (2026-05-12T09:21:29Z) - AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。
事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。
RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-13T07:48:58Z) - ConLA: Contrastive Latent Action Learning from Human Videos for Robotic Manipulation [27.54751123419347]
人間のビデオからロボットポリシーを学習するための教師なし事前学習フレームワークであるConLAを提案する。
人間のビデオのみに事前学習を行うことで、実際のロボット軌道事前学習で得られた性能を初めて上回ります。
論文 参考訳（メタデータ） (2026-01-31T06:40:57Z) - Latent Action Pretraining from Videos [156.88613023078778]
一般行動モデル(LAPA)のための潜在行動事前訓練について紹介する。
LAPA(英: LAPA)は、VLA(Vision-Language-Action)モデルに接地型ロボットアクションラベルを含まない教師なしの訓練方法である。
本稿では,ロボットアクションラベルを持たないインターネット規模のビデオから学習する手法を提案する。
論文 参考訳（メタデータ） (2024-10-15T16:28:09Z)
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。