論文の概要: Aero-VPA: Few-Step Flow-Matching Control over Non-Reconstructive JEPA Latents for Agile Flight on Edge Hardware

• arxiv url: http://arxiv.org/abs/2611.04392v1
• Date: Tue, 03 Nov 2026 06:25:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:27:58.379686
• Title: Aero-VPA: Few-Step Flow-Matching Control over Non-Reconstructive JEPA Latents for Agile Flight on Edge Hardware
• Title（参考訳）: Aero-VPA: エッジハードウェア上でのアジャイルフライトのための非再構築JEPAラテントによるフローマッチ制御
• Abstract要約: 本稿では,エッジハードウェア上での3次元ナビゲーションのための軽量なビジョン・プレクタ・アクションアーキテクチャであるAero-VPAを提案する。 コンパクトなRGB-Dビジョン変換器と5ヘッドアンサンブル予測器は画素再構成なしで訓練され、次の潜伏状態を予測する。 条件付きフローマッチング解法は、速度とヨーレートのチャンクを2ステップで生成するので、各決定は5つの連続的なネットワーク評価を取る。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Vision-Language-Action (VLA) models generalize across tasks, but their autoregressive decoders need sequential forward passes in proportion to the action horizon, each bounded below on embedded aerial platforms by streaming billions of parameters from memory. We present Aero-VPA, a lightweight Vision-Predictor-Action architecture for 3D navigation on edge hardware. A compact RGB-D Vision Transformer and a five-head ensemble predictor, trained without pixel reconstruction, forecast the next latent state; a Conditional Flow Matching solver generates a velocity and yaw-rate chunk in two Euler steps, so each decision takes five sequential network evaluations; and the ensemble dispersion drives an uncertainty fallback. Version 1 specified the architecture, deployment and protocol without results. This version reports the first closed-loop evaluation: PX4 software-in-the-loop simulation of quadrotor missions in procedurally generated forests. Behaviour cloning failed on all 60 missions despite open-loop errors of 0.02-0.04 m/s: the policy copies its last command, a copycat form of causal confusion. DAgger with a privileged, safety-gated supervisor gave the first successes but plateaued at 11.1-21.1% across six checkpoints. A map-free runtime shield with a 15 s depth memory, barrier constraints, a cap on motion outside the 73-degree field of view and backoff along the flown path raised the first DAgger policy's success on 180 paired missions from 21.1% to 52.2% (95% CI [45.0, 59.4]; exact McNemar p = 1.2 x 10^-10) and cut its crashes from 72.2% to 22.2%, while timeouts rose from 2.8% to 23.3%. All six checkpoints gained 30.0-34.4 percentage points, at mean speeds of 1.16-1.36 m/s. The code (https://github.com/ylee-sling/Aero-VPA), the trained policy (72.6 MB, https://huggingface.co/ylee-sling/aero-vpa) and the full benchmark dataset are public.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルはタスクをまたいで一般化するが、その自己回帰デコーダは、メモリから数十億のパラメータをストリーミングすることで、それぞれを組込み空プラットフォーム上にバウンドしたアクション水平線に比例して順次前方通過する必要がある。 本稿では,エッジハードウェア上での3次元ナビゲーションのための軽量なビジョン・プレクタ・アクションアーキテクチャであるAero-VPAを提案する。 コンパクトなRGB-Dビジョン変換器と5ヘッドアンサンブル予測器を画素再構成なしで訓練し、次の潜伏状態を予測し、条件付きフローマッチング解器は2つのオイラーステップで速度とヨーレートのチャンクを生成し、各決定は5つの連続的なネットワーク評価を受け、アンサンブルの分散は不確実なフォールバックを駆動する。 バージョン1では、結果のないアーキテクチャ、デプロイメント、プロトコルが規定されている。 このバージョンは、最初のクローズドループ評価を報告している: PX4ソフトウェア・イン・ザ・ループシミュレーション。 開ループエラーが0.02-0.04m/sであったにもかかわらず、全60ミッションでビヘイビアのクローンは失敗し、このポリシーは最後のコマンドである因果混乱のコピーキャットをコピーした。 ダガーは特権付き安全権限付きスーパーバイザーで初勝利を収めたが、6回のチェックポイントで11.1-21.1%の成績を収めた。 15秒の深度メモリ、バリア制約、73度の視野外の動きの上限、飛行経路に沿ったバックオフにより、最初のDAggerポリシーは、21.1%から52.2%(95% CI [45.0, 59.4]; 正確なマクネマール p = 1.2 x 10^-10)の180回のミッションで成功し、クラッシュを72.2%から22.2%に削減し、タイムアウトは2.8%から23.3%に増加した。 6つのチェックポイントは全て30.0-34.4ポイントを獲得し、平均速度は1.16-1.36 m/sだった。 コード(https://github.com/ylee-sling/Aero-VPA)、トレーニング済みポリシー(72.6MB、https://huggingface.co/ylee-sling/aero-vpa)、完全なベンチマークデータセットが公開されている。

関連論文リスト

• Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation [62.55752327741587]
  RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。 目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
  論文  参考訳（メタデータ） (2026-10-31T16:59:05Z)
• VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
  トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。 一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。 提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
  論文  参考訳（メタデータ） (2026-10-15T14:34:44Z)
• RFPO: Rectified Flow Policy Optimization for Embodied Control [57.28454299980691]
  フローベースのポリシーは、継続的ロボット制御のための表現力のあるフレームワークを提供するが、その反復ODE統合は、かなりの推論コストをもたらす。 本稿では,信頼性のある数ステップ実行のためのフローポリシー最適化フレームワークRFPOを紹介する。 Unitree Go2、Boston Dynamics Spot、Unitree H1、Unitree G1の他、RFPOはワンステップ実行下でのフルステップ制御性能を一貫して維持する。
  論文  参考訳（メタデータ） (2026-10-07T17:24:46Z)
• DexPolicy: Scheduled Exploration for Trajectory-Guided Dexterous Manipulation [59.77542456468077]
  器用な操作のための強化学習(RL)は、指と物体の接触を発見し、その物体を正確に制御する必要がある。 我々のベースラインPPOは、5Mステップ後に最初の動作ノイズの近くで終了し、探索スケールの明示的な制御を動機付けます。 PPO, 批判のないGRPO継続, フローフリーなPPOの3つのポリシー最適化設定について検討した。
  論文  参考訳（メタデータ） (2026-09-30T04:19:47Z)
• Predict Before You Step: Auditable Occupancy Forecasting for Dynamic Obstacle Avoidance under Sparse Guidance [18.93557165573682]
  スパースウェイポイント誘導下の脚ロボットは、部分的かつ急速に変化するLiDAR観測を用いて障害物の移動を避ける必要がある。 本稿では,50Hzのフリーズコントローラにスパースウェイポイント誘導を接続するローカル回避ポリシーである LOOP を提案する。 LOOPは2.5-3.2m/sの障害物速度で57.1%成功し、リトレーニングされた反応性ベースラインを8.2ポイント上回る。
  論文  参考訳（メタデータ） (2026-09-22T10:25:51Z)
• How Far Can GPT-6-Astra Go? Evaluating Capabilities in Zero-Shot Vision-and-Language Navigation [20.65686859199639]
  連続環境におけるゼロショットビジョン・アンド・ランゲージナビゲーションにおけるGPT-6-Astraについて検討する。 指示を解釈し、その環境を評価し、行動を提案する。 Open-Nav が使用した100R2R-CE val-unseen エピソードの50件について,本システムの評価を行った。
  論文  参考訳（メタデータ） (2026-09-17T12:14:43Z)
• LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
  一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。 我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T13:05:29Z)
• Discrete Action Space as a Prerequisite for GRPO Convergence in Small-Model Continuous Control [0.0]
  グループ相対ポリシー最適化は、シミュレートされた四重項連続制御タスクのための小さな言語モデルを微調整することができる。 このベンチマークでは、25Hzの4乗子速度制御のためのQwen-0.5BのバニラGRPO微調整が、自明なゼロ作用に崩壊する。 Crazyflie 2.1 ダイナミックスを用いた高忠実度シミュレーションは、ホバー領域のトレーニングと分配のギャップを表面化する。
  論文  参考訳（メタデータ） (2026-07-07T17:14:19Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)

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。