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:2610.21306

VLA-Δ: 視覚言語行動モデルのための物理状態遷移学習

VLA-$Δ$: Learning Physical State Transition for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

現在と未来の状態間の物理的変化を明示的な学習目標として用いるVLAフレームワークを提案し、大規模データセットと状態遷移アノテーションを構築して、ロボット操作性能を向上させた。

詳しい要約

1. どんなもの?

- VLA-$\Delta$は、Vision-Language-Action (VLA) モデルのための汎用フレームワーク。 - 現在の状態と将来の状態の間の物理的変化を明示的な学習ターゲットとして使用する。 - 大規模な事前学習データセットを構築し、物理状態遷移アノテーションを導出。 - 推論時には追加のオーバーヘッドなしに現在の観測から直接行動を生成する。

2. 先行研究と比べてどこがすごい?

- 従来のVLAは観測から実演行動への直接マッピングを行い、中間の物理状態変化の明示的な監督がないため、観測-行動対応への過学習に陥りやすい。 - 一部の手法は言語・視覚・潜在空間での中間推論や将来状態予測を導入するが、物理状態遷移自体を明示的に監督しない。 - VLA-$\Delta$は物理的変化を明示的な学習ターゲットとし、連続行動生成のためのより直接的な監督を提供する。

3. 技術・手法の肝は?

- 現在と将来の状態間の物理的変化を明示的な学習ターゲットとして使用。 - 大規模事前学習データセットを構築し、タスク関連の意味論と視覚的運動変化をカバーする物理状態遷移アノテーションを導出。 - 推論時には現在の観測から直接行動を生成し、追加の推論オーバーヘッドを回避。

4. どうやって有効だと検証した?

- LIBEROとRoboTwinベンチマークで最先端性能に匹敵する性能を達成。 - 実ロボット実験で$\pi_{0.5}$を上回る性能を示した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- $\pi_{0.5}$(実ロボット実験で比較) - LIBERO(ベンチマーク) - RoboTwin(ベンチマーク) - その他、言語・視覚・潜在空間での中間推論や将来状態予測を導入するVLA手法(具体的な論文名は要旨に記載なし)

※ 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: Qi Lu, Jiarun Li, Ce Zhang, Miao Pan, Yi Pan, Xu Wang, Wenqi Zhang, Xuhong Zhang

分類: cs.CV

原文アブストラクト

Vision-language-action (VLA) models transfer semantic knowledge acquired through vision-language pretraining to robot control, achieving strong performance across various benchmarks. However, most VLAs directly map observations to demonstrated actions without explicit supervision of intermediate physical state changes, making them prone to overfitting observation-action correspondences. Some methods introduce intermediate reasoning or future-state prediction in language, visual, or latent spaces to guide action generation, but do not explicitly supervise the physical state transition itself. We therefore propose VLA-$Δ$, a general framework that uses physical changes between current and future states as explicit learning targets. To support this objective, we construct a large-scale pretraining dataset and derive physical state-transition annotations covering task-relevant semantics and visual motion changes, providing more direct supervision for continuous action generation. During inference, the model generates actions directly from current observations without additional inference overhead. VLA-$Δ$ achieves performance competitive with the state of the art on LIBERO and RoboTwin, and outperforms $π_{0.5}$ in real-robot experiments. Our code is available at https://github.com/ZJU-OmniAI/VLA-Delta

関連論文

PR本紙発行元 EmplifAI