VLA/行動表現2026/6/5arXiv:2606.06904

ActionMap: ボクセル行動ヒートマップによるロボットポリシー学習

ActionMap: Robot Policy Learning via Voxel Action Heatmap

既存のVLAモデルの行動デコーダを、行動空間上のボクセルヒートマップを予測するヘッドに置き換えることで、学習効率と性能を向上させる手法を提案した論文。

詳しい要約

1. どんなもの？

- VLAモデルのaction decoderを置き換えるvoxel heatmap型action head『ActionMap』を提案 - 各actionに対しaction space上のvoxel heatmapを予測し、各voxelが対応actionの確率を直接格納 - 既存VLAにそのまま組み込めるdrop-in設計 - LIBERO simulationとreal-world Franka manipulationで評価

2. 先行研究と比べてどこがすごい？

- 従来のaction decoderはautoregressive token bins、L1 regression、flow-matching denoisingなど単一点予測で、action spaceを非構造的として扱い隣接actionの幾何的近接性を活用していなかった - ActionMapはvoxel heatmapによりaction spaceの構造を明示的に利用 - 同一training stepsで2つの異なるbackboneを上回る(例: LIBERO four-suite平均でOpenVLA-OFTのL1 regression head比+8.2%) - 収束速度が同等以上、低training dataでdata-efficient - backboneやrecipeのscalingとは別の性能レバーであることを示す

3. 技術・手法の肝は？

- backboneのhidden stateを連続制御信号へ変換するaction decoderをvoxel heatmap action headに置換 - 各新actionに対しaction space上のvoxel heatmapを予測 - 各voxelが対応actionの確率を直接格納する表現 - 既存VLAへnative action decoderの代わりにdrop-in可能

4. どうやって有効だと検証した？

- LIBERO simulationとreal-world Franka manipulationで検証 - 2つのアーキテクチャ的に異なるbackboneで、同一training steps時にheatmap headが上回ることを確認 - LIBERO four-suite平均でOpenVLA-OFTのL1 regression head比+8.2% - 両backboneで同等以上の収束速度、低training dataで顕著なdata-efficiencyを確認

5. 議論はある？

- cross-backbone一貫性からaction representationがVLA性能の実レバーであり、backboneやrecipeのscalingとは別であると議論 - 具体的な限界や失敗ケース、計算コストなどの議論は要旨からは不明

6. 次に読むべき論文は？

- OpenVLA-OFT (L1 regression head) - autoregressive token bins系VLA - flow-matching denoising系VLA - LIBERO benchmark - 関連: vision-language-action (VLA) models全般

※ 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: Pei Yang, Hai Ci, Yanzhe Chen, Qi Lv, Han Cai, Mike Zheng Shou

分類: cs.RO, cs.CV

原文アブストラクト

Vision-language-action (VLA) models have advanced rapidly across backbones, training recipes, and data scale, yet the action decoder, which converts the backbone's hidden state into a continuous control signal, has barely changed and remains a single-point predictor across the majority of current VLAs. Whether implemented via autoregressive token bins, L1 regression, or flow-matching denoising, the resulting decoder treats the action space as unstructured, leaving the geometric proximity of neighboring actions unexploited during training. To advance this, we introduce ActionMap, a voxel heatmap action head that drops into an existing VLA in place of its native action decoder. For each new action, the head predicts a voxel heatmap over the action space, where each voxel directly stores the probability of the corresponding action. Across LIBERO simulation and real-world Franka manipulation, our heatmap head surpasses two architecturally distinct backbones at matched training steps (e.g., +8.2% over OpenVLA-OFT's L1 regression head on the LIBERO four-suite average), converges at comparable or faster rates on both backbones, and remains markedly more data-efficient at low training data. The cross-backbone consistency indicates that action representation is a real lever for VLA performance, distinct from further backbone or recipe scaling. Project Page: https://showlab.github.io/ActionMap/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧