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:2506.14009

GRaD-Nav++:ガウスラディアンスフィールドと微分可能力学による視覚言語モデル駆動ドローン航法

GRaD-Nav++: Vision-Language Model Enabled Visual Drone Navigation with Gaussian Radiance Fields and Differentiable Dynamics

シェア:XThreadsFacebookLINEはてブBluesky

3Dガウススプラッティングシミュレータと微分可能強化学習で訓練した軽量VLAモデルを機載し、自然言語指示に従ってリアルタイムにドローンを飛行させるフレームワークを提案。

詳しい要約

1. どんなもの?

- 自律ドローンが自然言語の高レベル指示を非構造環境で解釈・実行するための軽量な Vision-Language-Action (VLA) フレームワーク GRaD-Nav++ を提案 - 完全にオンボードで動作し、リアルタイムに言語コマンドへ追従する - 視覚と言語入力を用いて低レベル制御を学習する

2. 先行研究と比べてどこがすごい?

- 既存手法は hand-crafted skills への依存、大規模なパラメータ調整、オンボード利用に不向きな計算量の多いモデルに制約されていた - GRaD-Nav++ は軽量かつ完全オンボードで動作し、外部インフラに依存せず信頼できる言語誘導ナビゲーションを実現 - 完全オンボード VLA 飛行の新たなベンチマークを確立すると主張

3. 技術・手法の肝は?

- photorealistic な 3D Gaussian Splatting (3DGS) シミュレータ内で Differentiable Reinforcement Learning (DiffRL) によりポリシーを訓練 - 視覚・言語入力から低レベル制御を効率的に学習 - 中核は Mixture-of-Experts (MoE) action head で、計算を適応的にルーティングし汎化を改善しつつ忘却を緩和

4. どうやって有効だと検証した?

- マルチタスク汎化実験: シミュレーションで訓練済みタスク 83%、未見タスク 75% の成功率 - 実機展開: 訓練済みタスク 67%、未見タスク 50% の成功率 - マルチ環境適応実験: 多様なシミュレーション環境で平均 81%、多様な実世界設定で 67% の成功率

5. 議論はある?

- 要旨からは不明(実機での未見タスク成功率 50%、実世界設定で 67% という性能限界や、3DGS シミュレータと実世界のギャップに関する議論は要旨に明示されていない)

6. 次に読むべき論文は?

- 要旨で参照・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 3D Gaussian Splatting (3DGS)、Differentiable Reinforcement Learning (DiffRL)、Mixture-of-Experts (MoE)、Vision-Language-Action (VLA) に関する文献を次に読むべき

※ 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: Qianzhong Chen, Naixiang Gao, Suning Huang, JunEn Low, Timothy Chen, Jiankai Sun, Mac Schwager

分類: cs.RO

原文アブストラクト

Autonomous drones capable of interpreting and executing high-level language instructions in unstructured environments remain a long-standing goal. Yet existing approaches are constrained by their dependence on hand-crafted skills, extensive parameter tuning, or computationally intensive models unsuitable for onboard use. We introduce GRaD-Nav++, a lightweight Vision-Language-Action (VLA) framework that runs fully onboard and follows natural-language commands in real time. Our policy is trained in a photorealistic 3D Gaussian Splatting (3DGS) simulator via Differentiable Reinforcement Learning (DiffRL), enabling efficient learning of low-level control from visual and linguistic inputs. At its core is a Mixture-of-Experts (MoE) action head, which adaptively routes computation to improve generalization while mitigating forgetting. In multi-task generalization experiments, GRaD-Nav++ achieves a success rate of 83% on trained tasks and 75% on unseen tasks in simulation. When deployed on real hardware, it attains 67% success on trained tasks and 50% on unseen ones. In multi-environment adaptation experiments, GRaD-Nav++ achieves an average success rate of 81% across diverse simulated environments and 67% across varied real-world settings. These results establish a new benchmark for fully onboard Vision-Language-Action (VLA) flight and demonstrate that compact, efficient models can enable reliable, language-guided navigation without relying on external infrastructure.

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