VLA2026/9/9arXiv:2609.10405

周波数条件付きフローマッチングによる視覚-言語-行動モデル

Frequency-Conditioned Flow Matching for Vision-Language-Action Models

VLAモデルの行動生成をDCT周波数座標で行い、周波数ごとに条件付け・重み付けするFreqFMを提案。LIBERO等で性能向上と実機6タスクでの有効性を示した。

詳しい要約

1. どんなもの？

- Flow Matching ベースの VLA モデル向けに、周波数条件付けを導入した FreqFM を提案。 - ロボット行動を時間座標ではなく DCT 周波数座標で扱い、周波数成分を明示的な条件次元として生成パイプライン全体に組み込む。 - VLA backbone を変更せず既存の Flow Matching action expert に統合可能。

2. 先行研究と比べてどこがすごい？

- 従来の Flow Matching ベース VLA は行動を時間座標で生成し、周波数ごとのエネルギー不均一性を明示的にモデル化・活用していなかった。 - FreqFM は行動周波数を暗黙の軌道特性から明示的な条件次元へ引き上げる点が新しい。 - LIBERO、LIBERO-Plus、VLA-Arena で一貫した性能向上、特に LIBERO-Plus で 9.3 ポイント改善。

3. 技術・手法の肝は？

- DCT 周波数座標上で、spectrum-matched source distribution を構築。 - 周波数間で目的関数を適応的にバランス。 - 各周波数の guidance residual を対応する reference transport scale で制約。 - これらを Flow Matching action expert に統合し、VLA backbone は変更しない。

4. どうやって有効だと検証した？

- LIBERO、LIBERO-Plus、VLA-Arena のベンチマークで評価。 - LIBERO-Plus で 9.3 ポイントの性能向上を確認。 - さらに 6 つの実ロボットタスクでも有効性を実証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Flow Matching ベース VLA モデル（例: 既存の Flow Matching action expert を採用する VLA） - LIBERO、LIBERO-Plus、VLA-Arena を用いた関連研究 - DCT や周波数領域での行動生成・模倣学習に関する研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haochen Niu, Shengye Dong, Hao Liu, Peiwen Lin, Wang Chuang

分類: cs.RO

原文アブストラクト

Robot actions are temporally correlated trajectories whose frequency components encode motion at different scales with highly non-uniform energy distributions. Yet Flow Matching--based vision-language-action (VLA) models typically generate actions in temporal coordinates, without explicitly modeling or systematically leveraging this frequency heterogeneity. We introduce \emph{FreqFM}, a frequency-conditioned Flow Matching framework for VLA models. It raises action frequency from an implicit trajectory property to an explicit conditioning dimension that spans the entire generation pipeline. Concretely, in DCT frequency coordinates, FreqFM constructs a spectrum-matched source distribution, adaptively balances the objective across frequencies, and constrains per-frequency guidance residuals using the corresponding reference transport scales. FreqFM integrates into existing Flow Matching action experts without changing the VLA backbone. Across LIBERO, LIBERO-Plus, and VLA-Arena, FreqFM consistently improves performance, including a 9.3-point gain on LIBERO-Plus, and further demonstrates its effectiveness on six real-robot tasks.

arXivで原文を読む →arXiv概要ページ