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:2507.02029

RoboBrain 2.0 技術報告

RoboBrain 2.0 Technical Report

シェア:XThreadsFacebookLINEはてブBluesky

視覚と言語を統合し、実環境での知覚・推論・計画を担う具現化基盤モデルRoboBrain 2.0を提案。7Bと32Bの2種類で、空間理解や時系列意思決定タスクで高い性能を示す。

詳しい要約

1. どんなもの?

- 具現化された複雑なタスクのために知覚・推論・計画を統合する、最新世代のembodied vision-language foundation model - RoboBrain 2.0として提案され、lightweight 7B modelとfull-scale 32B modelの2種類のvariantを持つ - vision encoderとlanguage modelからなるheterogeneous architectureを採用 - 実世界のembodied AI能力としてspatial understanding(affordance prediction, spatial referring, trajectory forecasting)とtemporal decision-making(closed-loop interaction, multi-agent long-horizon planning, scene graph updating)を支援 - モデルarchitecture、data construction、multi-stage training…

2. 先行研究と比べてどこがすごい?

- 従来のopen-source modelおよびproprietary modelを上回る結果を、spatialとtemporalの両benchmarkで32B variantが達成したと主張 - compact sizeでありながら幅広いembodied reasoning tasksで強い性能を発揮 - 単なる知覚や言語理解にとどまらず、spatial understandingとtemporal decision-makingの両面を統合的に扱う点が特徴 - 具体的なprior研究名や数値比較の詳細は要旨からは不明

3. 技術・手法の肝は?

- vision encoderとlanguage modelを組み合わせたheterogeneous architectureが核 - 7Bと32Bの2つのmodel variantを用意 - data constructionとmulti-stage training strategiesを詳細化 - infrastructureおよびpractical applicationsについても報告 - 個々のtraining stageやdata構成の具体的な中身は要旨からは不明

4. どうやって有効だと検証した?

- spatial benchmarkとtemporal benchmarkの両方で評価を実施 - 32B variantがleading resultsを達成し、prior open-source modelおよびproprietary modelを上回ったと報告 - spatial understanding(affordance prediction, spatial referring, trajectory forecasting)やtemporal decision-making(closed-loop interaction, multi-agent long-horizon planning, scene graph updating)といった実世界向け能力を対象に検証 - benchmarkの詳細や定量結果の数値は要旨からは不明

5. 議論はある?

- 本報告はmodel architecture、data construction、multi-stage training strategies、infrastructure、practical applicationsを扱う - generalist embodied agentsの構築に向けた実用的な一歩と位置づけている - 限界やfailure case、計算コスト、安全性などに関する具体的な議論は要旨からは不明

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名は明示されていない - 関連手法としてembodied vision-language foundation model、vision-language-action model、spatial reasoning benchmark、temporal planning benchmark、scene graph updatingに関する研究が次に読む候補 - 具体的な論文名は要旨からは不明

※ 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: BAAI RoboBrain Team, Mingyu Cao, Huajie Tan, Yuheng Ji, Xiansheng Chen, Minglan Lin, Zhiyu Li, Zhou Cao, Pengwei Wang, Enshen Zhou, Yi Han, Yingbo Tang, Xiangqi Xu, Wei Guo, Yaoxu Lyu, Yijie Xu, Jiayu Shi, Mengfei Du, Cheng Chi, Mengdi Zhao, Xiaoshuai Hao, Junkai Zhao, Xiaojie Zhang, Shanyu Rong, Huaihai Lyu, Zhengliang Cai, Yankai Fu, Ning Chen, Bolun Zhang, Lingfeng Zhang, Shuyi Zhang, Dong Liu, Xi Feng, Songjing Wang, Xiaodan Liu, Yance Jiao, Mengsi Lyu, Zhuo Chen, Chenrui He, Yulong Ao, Xue Sun, Zheqi He, Jingshu Zheng, Xi Yang, Donghai Shi, Kunchang Xie, Bochao Zhang, Shaokai Nie, Chunlei Men, Yonghua Lin, Zhongyuan Wang, Tiejun Huang, Shanghang Zhang

分類: cs.RO

原文アブストラクト

We introduce RoboBrain 2.0, our latest generation of embodied vision-language foundation models, designed to unify perception, reasoning, and planning for complex embodied tasks in physical environments. It comes in two variants: a lightweight 7B model and a full-scale 32B model, featuring a heterogeneous architecture with a vision encoder and a language model. Despite its compact size, RoboBrain 2.0 achieves strong performance across a wide spectrum of embodied reasoning tasks. On both spatial and temporal benchmarks, the 32B variant achieves leading results, surpassing prior open-source and proprietary models. In particular, it supports key real-world embodied AI capabilities, including spatial understanding (e.g., affordance prediction, spatial referring, trajectory forecasting) and temporal decision-making (e.g., closed-loop interaction, multi-agent long-horizon planning, and scene graph updating). This report details the model architecture, data construction, multi-stage training strategies, infrastructure and practical applications. We hope RoboBrain 2.0 advances embodied AI research and serves as a practical step toward building generalist embodied agents. The code, checkpoint and benchmark are available at https://superrobobrain.github.io.

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