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:2505.03233

GraspVLA:10億規模の合成行動データで事前学習した把持基盤モデル

GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data

シェア:XThreadsFacebookLINEはてブBluesky

シミュレーションで生成した10億フレームの把持データセットSynGrasp-1Bを用いて、視覚・言語・行動を統合したVLAモデルGraspVLAを事前学習し、実世界でのゼロショット汎化と少数ショット適応を実現した。

詳しい要約

1. どんなもの?

- 大規模な合成行動データのみで事前学習する Vision-Language-Action (VLA) モデルの試み - 10億フレーム規模のロボット把持データセット SynGrasp-1B を構築 - シミュレーション内で photorealistic rendering と domain randomization を用いて生成 - これを基に把持タスク向け基盤モデル GraspVLA を提案 - zero-shot 汎化と few-shot 適応を狙う embodied foundation model - データセットと事前学習済み重みを公開予定と述べている

2. 先行研究と比べてどこがすごい?

- 既存の embodied foundation model は実世界データに強く依存し、収集コストと労力が大きい - 合成データは低コストな代替だが、その可能性は十分に検討されていなかった - 本研究は VLA モデルを大規模合成行動データのみで学習する実現可能性を示す点が新しい - 合成行動データと Internet semantics data の同時学習により open-vocabulary な把持汎化を狙う - 実世界・シミュレーション双方のベンチマークで zero-shot 汎化と few-shot 適応を示すと主張

3. 技術・手法の肝は?

- SynGrasp-1B を photorealistic rendering と extensive domain randomization でシミュレーション生成 - GraspVLA は VLA モデルで、大規模合成行動データで事前学習 - autoregressive perception tasks と flow-matching-based action generation を統合 - 両者を unified Chain-of-Thought process に組み込む - この設計で合成行動データと Internet semantics data を joint training - 設計意図は sim-to-real gap の緩和と、Internet 上に存在する広範な物体への行動転移 - 結果として把持における open-vocabulary generalization を目指す

4. どうやって有効だと検証した?

- 実世界とシミュレーションの両方のベンチマークで広範な評価を実施 - zero-shot generalizability の高さを示す - 特定の human preferences への few-shot adaptability も示す - 具体的なベンチマーク名・成功率・比較手法は要旨からは不明

5. 議論はある?

- 合成データ中心の学習で実世界把持へ転移できる可能性を議論 - sim-to-real gap の緩和が設計上の主要な論点 - Internet semantics data との joint training が open-vocabulary 汎化に寄与するという主張 - データセットと重みの公開によるコミュニティ貢献を意図 - 限界・失敗事例・計算コスト・データ規模の妥当性などの詳細は要旨からは不明

6. 次に読むべき論文は?

- 要旨で直接参照/比較されている個別研究は明示されていない - 関連手法として Vision-Language-Action models、flow matching、Chain-of-Thought、domain randomization を挙げる - 同分野の定番として RT-1 / RT-2、OpenVLA、Diffusion Policy 系の把持・VLA 研究を次に読む候補とする - データセット面では SynGrasp-1B の公開後に比較可能な sim-to-real 把持研究を追う

※ 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: Shengliang Deng, Mi Yan, Songlin Wei, Haixin Ma, Yuxin Yang, Jiayi Chen, Zhiqi Zhang, Taoyu Yang, Xuheng Zhang, Wenhao Zhang, Heming Cui, Zhizheng Zhang, He Wang

分類: cs.RO

原文アブストラクト

Embodied foundation models are gaining increasing attention for their zero-shot generalization, scalability, and adaptability to new tasks through few-shot post-training. However, existing models rely heavily on real-world data, which is costly and labor-intensive to collect. Synthetic data offers a cost-effective alternative, yet its potential remains largely underexplored. To bridge this gap, we explore the feasibility of training Vision-Language-Action models entirely with large-scale synthetic action data. We curate SynGrasp-1B, a billion-frame robotic grasping dataset generated in simulation with photorealistic rendering and extensive domain randomization. Building on this, we present GraspVLA, a VLA model pretrained on large-scale synthetic action data as a foundational model for grasping tasks. GraspVLA integrates autoregressive perception tasks and flow-matching-based action generation into a unified Chain-of-Thought process, enabling joint training on synthetic action data and Internet semantics data. This design helps mitigate sim-to-real gaps and facilitates the transfer of learned actions to a broader range of Internet-covered objects, achieving open-vocabulary generalization in grasping. Extensive evaluations across real-world and simulation benchmarks demonstrate GraspVLA's advanced zero-shot generalizability and few-shot adaptability to specific human preferences. We will release SynGrasp-1B dataset and pre-trained weights to benefit the community.

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