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:2506.17486

オンデバイス言語モデルによるロボット計画のための最小限の人間介入での蒸留

Distilling On-device Language Models for Robot Planning with Minimal Human Intervention

シェア:XThreadsFacebookLINEはてブBluesky

クラウドに依存せずオンデバイスで動作する小型言語モデルベースのロボットプランナーを、既存のLLMプランナーから合成データを用いて蒸留するフレームワークPRISMを提案し、Llama-3.2-3Bの性能をGPT-4oの10-20%から93%以上に向上させた。

詳しい要約

1. どんなもの?

- LLM を用いたロボットプランナを、オンデバイスで動作する小型言語モデル(SLM)に蒸留するフレームワーク PRISM の提案。 - 既存の LLM ベースプランナを出発点に、多様なタスク・環境を自動合成し、LLM から計画を引き出して合成データセットを作成。 - そのデータでコンパクトな SLM を蒸留し、元モデルの drop-in replacement として利用する。 - 通信が不安定な屋外・産業環境での LLM ロボットの利用制約を緩和することを狙う。

2. 先行研究と比べてどこがすごい?

- 従来の LLM ロボットはクラウドホスト型モデルに依存し、通信インフラが不安定な環境で使いにくいという制約があった。 - PRISM は最小限の人手監督で SLM ベースのオンデバイスプランナを蒸留できる点を特徴とする。 - Llama-3.2-3B の性能を GPT-4o の 10-20% から 93% 超へ改善したと報告。 - 合成データのみでこれを達成した点、および異種ロボットプラットフォームや多様な環境への汎化を示した点が主張されている。

3. 技術・手法の肝は?

- 既存の LLM-enabled planner を起点とする。 - PRISM が多様なタスクと環境を自動合成する。 - 合成したタスクに対して LLM から計画(plan)を引き出し、合成データセットを構築。 - そのデータセットを用いてコンパクトな SLM を蒸留し、元の LLM プランナの代替とする。 - 人手監督を最小化するパイプラインが肝。

4. どうやって有効だと検証した?

- mapping and exploration、manipulation、household assistance の 3 つの LLM-enabled planner に PRISM を適用。 - Llama-3.2-3B の性能が GPT-4o の 10-20% から 93% 超へ向上したことを示す。 - 蒸留したプランナが地上・航空の異種ロボットプラットフォーム、屋内・屋外の多様な環境に汎化することを実証。 - ソフトウェア、学習済みモデル、データセットを公開。

5. 議論はある?

- 通信インフラが不安定な屋外・産業環境でのオンデバイス運用の有用性が示唆される。 - 合成データのみで蒸留が可能である点が議論の焦点。 - 異種プラットフォームや環境への汎化が主張される一方、具体的な限界や失敗事例は要旨からは不明。 - 人手監督の最小化の程度や評価指標の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 元となる LLM-enabled planner に関する研究(mapping and exploration、manipulation、household assistance の各プランナ)。 - 比較対象として GPT-4o および Llama-3.2-3B。 - 関連手法として LLM から SLM への knowledge distillation、synthetic data 生成による蒸留。 - オンデバイス SLM 推論やロボットプランニング向け言語モデルに関する研究。

※ 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: Zachary Ravichandran, Ignacio Hounie, Fernando Cladera, Alejandro Ribeiro, George J. Pappas, Vijay Kumar

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Large language models (LLMs) provide robots with powerful contextual reasoning abilities and a natural human interface. Yet, current LLM-enabled robots typically depend on cloud-hosted models, limiting their usability in environments with unreliable communication infrastructure, such as outdoor or industrial settings. We present PRISM, a framework for distilling small language model (SLM)-enabled robot planners that run on-device with minimal human supervision. Starting from an existing LLM-enabled planner, PRISM automatically synthesizes diverse tasks and environments, elicits plans from the LLM, and uses this synthetic dataset to distill a compact SLM as a drop-in replacement of the source model. We apply PRISM to three LLM-enabled planners for mapping and exploration, manipulation, and household assistance, and we demonstrate that PRISM improves the performance of Llama-3.2-3B from 10-20% of GPT-4o's performance to over 93% - using only synthetic data. We further demonstrate that the distilled planners generalize across heterogeneous robotic platforms (ground and aerial) and diverse environments (indoor and outdoor). We release all software, trained models, and datasets at https://zacravichandran.github.io/PRISM.

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