日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2609.21022

捕まえられるものなら捕まえてみろ：応答性の高いVLAのためのリアルタイムフィードバックデノイジング

Catch Me If You Can: Real-Time Feedback Denoising for Responsive VLAs

シェア:XThreadsFacebookLINEはてブBluesky

拡散型VLAの最終デノイジング段を軽量なフィードバック界面として残し、最新の観測で各行動を実行直前に補正する二時間スケール構成を提案し、動的環境での成功率を大幅に改善した。

詳しい要約

1. どんなもの？

- Vision-Language-Action (VLA) モデルによるロボットマニピュレーションの研究。 - 拡散ベースの行動生成器は時間的に一貫した action chunk を生成できるが、推論後は open-loop で実行されるため、物体移動や接触変化、シーン変化への応答性が制限される。 - 提案手法 VLA-Feedback は、低頻度の diffusion planning と高頻度の視覚フィードバックを組み合わせた two-timescale アーキテクチャ。 - action chunk を完全に denoise する前に実行するのではなく、最終 denoising step を軽量なフィードバックインターフェースとして保持し、実行前に最新の観測で各 action を補正する。

2. 先行研究と比べてどこがすごい？

- 従来の diffusion-based action generator は action chunk を推論後に open-loop で実行するため、動的な環境変化への応答性が低い。 - VLA-Feedback は diffusion planner の表現力を保ちつつ、完全な vision-language diffusion model を再実行せずにリアルタイム action 補正を可能にする。 - 静的 LIBERO タスクでは GR00T と同等の性能を維持。 - 動的シミュレーションタスクの平均成功率を 27.5% から 85.0% に改善。 - 実機タスクの平均成功率を 51% から 73% に改善。

3. 技術・手法の肝は？

- two-timescale アーキテクチャ：低頻度の diffusion planning と高頻度の視覚フィードバックを組み合わせる。 - action chunk の完全な denoising を実行前に行わず、最終 denoising step を軽量なフィードバックインターフェースとして保持。 - 各 action を実行前に最新の観測で補正する。 - これにより diffusion planner の表現力を維持しつつ、完全な vision-language diffusion model の再実行なしでリアルタイム補正を実現。

4. どうやって有効だと検証した？

- 静的 LIBERO タスクで GR00T と同等の性能を確認。 - 動的シミュレーションタスクで平均成功率が 27.5% から 85.0% に向上。 - 実機タスクで平均成功率が 51% から 73% に向上。 - プロジェクトページ: https://vla-feedback.github.io

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- GR00T - LIBERO - diffusion-based action generator に関する研究 - Vision-Language-Action (VLA) モデルに関する研究

※ 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: Yiheng Ji, Xingru Zhou, Luis Sentis, Mingyo Seo

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have shown strong generalization in robotic manipulation by combining semantic knowledge from pretrained vision-language models with expressive action-generation policies. Diffusion-based action generators are particularly effective for modeling temporally coherent action chunks, but these chunks are typically executed open-loop after inference. This limits responsiveness when objects move, contacts change, or the scene evolves during execution. We propose VLA-Feedback, a two-timescale architecture that combines low-frequency diffusion planning with high-frequency visual feedback. Rather than fully denoising an action chunk before execution, VLA-Feedback retains its final denoising step as a lightweight feedback interface, allowing each action to be corrected using the latest observation before it is executed. This design preserves the expressiveness of the diffusion planner while enabling real-time action correction without rerunning the full vision-language diffusion model. VLA-Feedback matched GR00T on static LIBERO tasks while improving average success on dynamic simulation tasks from 27.5% to 85.0%. On real-robot tasks, it improved average success from 51% to 73%. Additional materials can be found on our project page: https://vla-feedback.github.io.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI