Vision-Language-Actionモデル向け分位点ヘッド

- Vision-Language-Action (VLA) モデル向けの新しい action head である Quantile Head を提案する研究。 - 従来の action head の限界（point regression は点推定のみ、standard flow-matching は反復サンプリングが必要）を解決する。 - regression と flow matching を共通目的関数で統合し、quantile 目的関数を導出する。 - 1回の forward pass で median と正の gap を予測し、順序付きの marginal action quantiles を構成する。 - 再学習なしで複数のサンプリング戦略をサポートし、joint supervision でデフォルトの median policy を訓練する。

- 従来の point regression は action 分布の点推定しか得られない。 - standard flow-matching sampler は計算コストの高い反復サンプリングを必要とする。 - 提案手法は regression と flow matching を統合した quantile 目的関数により、1回の forward pass で ordered marginal action quantiles を予測できる。 - 再学習なしで複数のサンプリング戦略を利用可能。 - 実験では LIBERO、LIBERO-Plus、LIBERO-Pro、実機2タスクで比較手法中最高の平均成功率を達成し、matched LIBERO baselines 中で最短の平均 episode time を示す。

- regression と flow matching を共通の目的関数の下で統合し、quantile 目的関数を導出する。 - Quantile Head は median と正の gap を予測し、順序付きの marginal action quantiles を1回の forward pass で構成する。 - これらの quantiles は再学習なしで複数のサンプリング戦略をサポートする。 - joint supervision によりデフォルトの median policy を訓練する。 - 局所解析により、calibrated nearby quantiles、fixed gaps、matched correction speed の条件下で、direct median updates が median-only supervision より低分散であることを示す。

- LIBERO、LIBERO-Plus、LIBERO-Pro、および実機2タスクで実験を実施。 - 比較手法の中で最高の平均成功率を達成。 - matched LIBERO baselines の中で最短の平均 episode time を示す。 - コードは https://github.com/xwangrs/Quantile-Head-for-VLA で公開。

- 局所解析により、calibrated nearby quantiles、fixed gaps、matched correction speed の条件下で direct median updates が median-only supervision より低分散であることを示す。 - その他の議論や限界については要旨からは不明。

- 要旨で参照/比較されている研究: point regression、standard flow-matching samplers。 - 関連手法: Vision-Language-Action (VLA) モデル、Vision-Language Models (VLMs)、flow matching、quantile regression。 - 具体的な論文名は要旨からは不明。