E-VLA: 暗所・ぼやけシーンのためのイベント拡張型視覚言語行動モデル

- イベントカメラを活用した VLA フレームワーク E-VLA を提案。 - 極端な低照度、motion blur、black clipping など frame-based vision が劣化する状況での manipulation ロバスト性を改善。 - イベントから画像を再構成せず、event stream の motion/structural cue を直接利用。 - DAVIS346 event camera を備えた teleoperation platform と、RGB-event-action の同期実世界データセットを構築。 - 軽量で pretrained-compatible な event 統合戦略と event windowing を検討。

- 従来の VLA は open-ended manipulation に強いが、sensing-stage degradation に脆弱。 - 既存の event-based 手法は画像再構成を経由するものが多いが、E-VLA は再構成せず event の motion/structural cue を直接使う点が異なる。 - 単純な parameter-free fusion（accumulated event map の RGB overlay）でも大幅改善することを示し、event 統合の有効性を体系的に提示。 - 具体的な先行研究名は要旨からは不明。

- event stream から motion と構造の cue を直接抽出し、semantic perception と perception-action consistency を維持。 - 軽量で pretrained model と互換な event 統合戦略を提案。 - event windowing を検討し、安定した deployment を狙う。 - 単純な parameter-free fusion として accumulated event map を RGB に overlay する手法も含む。 - event adapter も提案。

- DAVIS346 event camera を備えた teleoperation platform を構築し、多様なタスク・照度で RGB-event-action 同期データセットを収集。 - Pick-Place 20 lux で success が image-only 0% から overlay fusion 60%、event adapter 90% へ向上。 - severe motion blur（1000 ms-exposure proxy）で Pick-Place 0%→20-25%、Sorting 5%→32.5%。 - これらの実験で有効性を検証。

- event-driven perception を VLA に統合することが有効である系統的証拠を提供。 - 従来の frame-based imaging を超えた robust embodied intelligence への方向性を示す。 - 限界や課題、今後の議論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は明示されていない。 - 関連手法として event-based vision、VLA models、image reconstruction from events などが挙げられるが、具体的な論文名は要旨からは不明。 - 同分野の定番として Vision-Language-Action models、event camera を用いた manipulation 研究を参照するのが妥当。