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:2607.08182

LEEVLA: 潜在環境進化における重要情報の認識による視覚言語行動モデル

LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語行動モデルが動的環境でタスクに重要な視覚情報を強調し、潜在世界表現の構造的進化を保つための新しいアーキテクチャを提案。ドリフト誘導型動的優先化と構造的特徴フロー生成により、タスク認識の「どこで・どのように」学習を実現し、ベンチマークで優れた性能を示した。

詳しい要約

1. どんなもの?

LEEVLAは、Vision-Language-Action (VLA)モデルの一種で、動的な環境下でロボットの行動を生成する際に、タスクに重要な視覚領域を明示的に強調し、潜在世界表現の構造化された進化を保持するアーキテクチャを提案する。具体的には、drift-guided dynamic prioritization (DGDP)とstructured feature flow generation (SFFG)からなる「where-how」トレーニングフレームワークを導入する。

2. 先行研究と比べてどこがすごい?

既存のVLAモデルは、すべての視覚トークンを均一に扱い、人間が選択した要素で推論するため、複雑な動的シナリオをカバーするのが難しい。LEEVLAは、タスクに重要な証拠を強調するメカニズムが欠如している点と、潜在的な要因を無視している点を改善し、明示的なタスク証拠のガイダンスと構造化された潜在推論がスケーラブルなVLAに重要であることを示す。

3. 技術・手法の肝は?

手法の肝は、DGDPとSFFGの2つのモジュールからなる。DGDPは、dynamic position prioritization (DPP)とsemantic drift guidance (SDG)を組み合わせ、トレーニング中にVLAエージェントが注目すべき領域をガイドする。SFFGは、prototype-to-periphery (P2P)予測を介して、優先された特徴が潜在空間でどのように進化すべきかをモデル化し、mutual-neighborhood contrastive (MC)損失を用いて近傍のトポロジカルな一貫性を維持する。

4. どうやって有効だと検証した?

VLAベンチマークでの広範な実験により、LEEVLAが従来手法を一貫して上回ることを検証した。具体的なベンチマーク名や数値は要旨からは不明だが、性能向上が確認されている。

5. 議論はある?

要旨からは、提案手法の限界や議論点は明示されていない。ただし、明示的なタスク証拠のガイダンスと構造化された潜在推論の両方が重要であると主張しており、今後のスケーラビリティに関する議論が考えられる。

6. 次に読むべき論文は?

要旨で参照されている先行研究や関連手法は明示されていないが、VLAモデルの一般的な関連研究として、Vision-Language-Actionモデル全般や、視覚的注意機構、潜在表現学習に関する論文が挙げられる。具体的には、RT-2やPaLM-EなどのVLAモデル、またはattention機構やcontrastive learningを用いた手法が関連する。

※ 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 Lyu, Baicheng Liu, Xudong Wang, Jiahua Dong, Lianqing Liu, Zhi Han

分類: cs.CV, cs.AI

原文アブストラクト

Vision-language-action (VLA) models aim to map multimodal inputs to robot actions. However, most existing approaches struggle to cover complex dynamic scenarios due to treating all visual tokens uniformly and reasoning with human-selected factors, which lack mechanisms to emphasize task-critical evidence and ignore underlying factors. To address this issue, we propose LEEVLA, a VLA architecture for seeing what matters in Latent Environment Evolution that explicitly guides the model toward informative regions while preserving the structured evolution of latent world representations. To identify salient and instruction-relevant regions, we introduce drift-guided dynamic prioritization (DGDP), which combines dynamic position prioritization (DPP) with semantic drift guidance (SDG) to guide the VLA agent where to attend during training. On top of this, we introduce structured feature flow generation (SFFG), which models how these prioritized features should evolve in latent space via prototype-to-periphery (P2P) prediction, and a mutual-neighborhood contrastive (MC) loss to maintain topological consistency among neighborhoods. Together, DGDP and SFFG form a task-aware "where-how" training framework. Extensive experiments on VLA benchmarks show that LEEVLA consistently outperforms prior methods, confirming that explicit task-evidence guidance and structured latent reasoning are both crucial for scalable VLA. Our code is available at https://github.com/LyuQi127/LEEVLA.

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. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI