日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2606.20092

EventVLA: イベント駆動型視覚証拠メモリによる長期的視覚言語行動ポリシー

EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies

シェア:XThreadsFacebookLINEはてブBluesky

長期的なロボット操作タスクで、視覚情報が隠れたり見えなくなったりする問題に対処するため、重要な視覚イベントを予測して記憶する新しいフレームワークEventVLAを提案した。シミュレーションと実機タスクで既存手法より成功率が大幅に向上した。

詳しい要約

1. どんなもの?

- 長期的なロボット操作における Vision-Language-Action (VLA) ポリシーの記憶ボトルネックを解決する EventVLA を提案。 - 疎な視覚証拠記憶 (sparse visual evidence memory) の概念に基づく end-to-end フレームワーク。 - 2つの構成要素: 初期・短期文脈を保持する foundational visual anchors と、動的な Keyframe Evidence Memory (KEM) モジュール。 - KEM は VLA の潜在埋め込みから将来のキーフレーム確率を予測し、疎でタスククリティカルな視覚イベントを自律的に保存。 - 非マルコフ的操作タスクを評価する診断ベンチマーク RoboTwin-MeM も提案。

2. 先行研究と比べてどこがすごい?

- 既存の記憶拡張手法は、深刻な情報ボトルネック、分離型二重システムによる高遅延、非選択的バッファによる大量の視覚冗長性蓄積などの問題があった。 - EventVLA は end-to-end で疎な視覚証拠のみを保持し、これらの制限を克服。 - 17の記憶要求シミュレーションタスクと4つの実世界両腕タスクで、最先端の記憶拡張 VLA に対して平均成功率 +40% の改善を達成。

3. 技術・手法の肝は?

- 疎な視覚証拠記憶: foundational visual anchors が初期・短期文脈を保持。 - Keyframe Evidence Memory (KEM) モジュールが VLA の潜在埋め込みから将来のキーフレーム確率を直接予測。 - 予測に基づき、現在の観測の将来的な因果的有用性を動的に評価し、一時的な視覚証拠を観測不能になる前に保存。 - この先見性駆動メカニズムにより、疎でタスククリティカルな視覚イベントを自律的に捕捉・記憶。

4. どうやって有効だと検証した?

- 17の記憶要求シミュレーションタスクと4つの実世界両腕タスクで評価。 - 最先端の記憶拡張 VLA と比較して平均成功率 +40% の改善を達成。 - 診断ベンチマーク RoboTwin-MeM を提案し、非マルコフ的操作タスクを評価。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている記憶拡張 VLA 手法(具体的名称は要旨に記載なし)。 - 関連手法として Vision-Language-Action (VLA) ポリシー、memory-augmented VLA、Keyframe Evidence Memory (KEM)、RoboTwin-MeM ベンチマーク。

※ 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: Ganlin Yang, Zhangzheng Tu, Yuqiang Yang, Sitong Mao, Junyi Dong, Tianxing Chen, Jiaqi Peng, Jing Xiong, Jiafei Cao, Jifeng Dai, Wengang Zhou, Yao Mu, Tai Wang

分類: cs.CV

原文アブストラクト

Memory remains a critical bottleneck for long-horizon robotic manipulation, as standard Vision-Language-Action (VLA) policies often fail when task-relevant cues become occluded or unobservable over time. While existing memory-augmented methods utilize historical context, they either suffer from severe information bottlenecks, incur high latency via decoupled dual systems, or rely on unselective buffers that accumulate massive visual redundancies. To address these limitations, we introduce EventVLA, an end-to-end framework founded on the concept of sparse visual evidence memory that comprises two core components: foundational visual anchors to retain initial and short-term contexts, and a dynamic Keyframe Evidence Memory (KEM) module. Specifically, KEM directly predicts future keyframe probabilities from the VLA's latent embeddings to autonomously capture and store sparse, task-critical visual events. This foresight-driven mechanism empowers the policy to dynamically evaluate the future causal utility of current observations, preserving transient visual evidence before it becomes unobservable. Furthermore, we propose RoboTwin-MeM, a diagnostic benchmark specifically designed to evaluate non-Markovian manipulation tasks with interactive visual evidence. Extensive evaluations show that across 17 memory-requiring simulation tasks and 4 real-world bimanual tasks, EventVLA achieves an average success rate improvement of +40% over state-of-the-art memory-augmented VLAs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI