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:2610.31569

Echo: VLAモデル向けの行動とタスク状態信号の結合デノイジング

Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models

シェア:XThreadsFacebookLINEはてブBluesky

VLAポリシーに停止・失敗のタスク状態信号を行動チャンクの次元として組み込み、フレーム単位の進捗注釈なしで学習しつつ、信号を行動より速くデノイズして行動生成を導くフレームワーク。

詳しい要約

1. どんなもの？

- Vision Language Action (VLA) モデルにタスク状態信号の予測を組み込むフレームワーク「Echo」 - タスク状態を stop 信号と failure 信号の2次元で表現 - 各 action chunk に2次元を追加し、robot actions と一緒に denoise - 信号の組み合わせで「実行中」「成功完了」「失敗」を区別 - 目的はロボットが成功時に停止し、失敗時に recovery や replanning を開始できるようにすること - frame-level progress annotations なしでタスク状態信号を学習

2. 先行研究と比べてどこがすごい？

- 既存手法は VLA にタスク状態信号予測を追加するが、fine-grained supervision、外部 monitoring models、複雑な architecture を要することがある - Echo は frame-level progress annotations なしでタスク状態信号を学習 - 状態予測と action 生成を単一の VLA 内に収める compact な設計 - タスク状態信号が action 生成を直接導く可能性を探る点が従来と異なる - 信号と action の相互作用を制御し、信号を action より速く denoise

3. 技術・手法の肝は？

- stop と failure の信号を action chunk の2次元として追加し、robot actions と共に denoise - fine-grained progress annotations なしの学習のため、successful、failed、recovery の trajectory を構築し相補的な supervision を与える - 状態信号による action 生成の誘導のため、信号と action の相互作用を制御 - 信号を action より速く denoise することで、後の action denoising step がより clean な状態推定に condition できるようにする - 信号予測の精度も維持

4. どうやって有効だと検証した？

- 実世界の manipulation 実験を extensive に実施 - Echo がタスク状態を正確に予測すること、および policy 性能を一貫して改善することを示した - 具体的なタスク数・比較手法・指標などの詳細は要旨からは不明

5. 議論はある？

- 要旨からは不明 - 想定される論点としては、信号を action より速く denoise する設計の妥当性、trajectory 構築への依存、実世界での失敗検出の信頼性などが考えられるが、要旨には明記されていない

6. 次に読むべき論文は？

- 要旨で参照・比較されている具体的な研究名は記載なし - 関連手法として Vision Language Action (VLA) policies、task status signal prediction を備えた VLA、diffusion-based action generation の定番研究を挙げる - 具体的な論文名は要旨からは不明

※ 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: Yufeng Liu, Bohao Fan, Juntu Zhao, Xinyi Wang, Hang Yu, Wenzhuan Luo, Yingzhi Wang, Qinghai Li, Yingdong Hu, Junliang Guo, Richard Wang, Dequan Wang, Yang Gao, Cheng Ma

分類: cs.RO

原文アブストラクト

Recognizing task completion and failure enables robots to stop upon success and initiate recovery or replanning after failure. Existing methods augment Vision Language Action (VLA) policies with task status signal prediction to support these execution decisions. However, learning and integrating these signals can require fine-grained supervision, external monitoring models, or complex architectural designs. Moreover, the potential of task status signals to directly guide action generation remains underexplored. We present Echo, a framework that combines task status signal learning without frame-level progress annotations with a compact design for status prediction and action generation within a single VLA. Specifically, Echo represents task status with stop and failure signals, added as two dimensions of each action chunk and denoised together with robot actions. Their combination distinguishes ongoing execution, successful completion, and failure. To learn these signals without fine-grained progress annotations, Echo constructs successful, failed, and recovery trajectories with complementary supervision properties. To enable status signal-guided action generation, Echo controls interactions between the signals and actions and denoises the signals faster than the actions. These allow later action denoising steps to condition on cleaner status estimates while preserving accurate signal prediction. Extensive real-world manipulation experiments show that Echo accurately predicts task status and consistently improves policy performance.

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