日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2507.20622

FMimic: 基盤モデルによる人間動画からの細粒度行動学習

FMimic: Foundation Models are Fine-grained Action Learners from Human Videos

シェア:XThreadsFacebookLINEはてブBluesky

少数の人間動画から基盤モデルを用いてロボットの細かい行動スキルを直接学習する手法を提案し、RLBenchや実世界タスクで大幅な性能向上を達成した。

詳しい要約

1. どんなもの?

- 人間の動画からロボットの細粒度行動スキルを直接学習する新パラダイム FMimic の提案 - Visual imitation learning (VIL) の枠組みで、foundation models(特に Vision Language Models, VLMs)を活用 - 高レベル計画ではなく、fine-grained action level の汎化可能スキル獲得を目指す - 少数の人間動画(1本〜5本)のみを用いる設定

2. 先行研究と比べてどこがすごい?

- 既存手法は foundation models を高レベル計画の学習に使い、実行は pre-defined motion primitives に依存 - その primitives 依存がロボットの主要なボトルネックであった - FMimic は foundation models を直接用いて fine-grained action level のスキルを学習 - 人間動画1本でも強い性能、5本で全比較手法を大幅に上回る点が先行研究と異なる

3. 技術・手法の肝は?

- foundation models(VLMs)を fine-grained action の学習器として直接用いるパラダイム - 限られた数の human videos のみから汎化可能なスキルを獲得 - pre-defined motion primitives に頼らず、行動レベルで学習する設計 - 具体的なアーキテクチャや学習損失などの詳細は要旨からは不明

4. どうやって有効だと検証した?

- RLBench multi-task 実験と real-world manipulation tasks で評価 - 人間動画1本で強い性能、5本で全比較手法を有意に上回る - RLBench multi-task で 39% 以上、real-world で 29% 以上の改善 - high-precision タスクで 34% 以上、long-horizon タスクで 47% 以上のベースライン超え

5. 議論はある?

- 限られた人間動画で fine-grained action を学習できる可能性を示唆 - pre-defined motion primitives 依存の回避が性能向上に寄与する可能性 - 一方、失敗事例や限界、一般化範囲、計算コストなどの詳細は要旨からは不明 - 実世界タスクの多様性や安全性に関する議論は要旨からは不明

6. 次に読むべき論文は?

- Vision Language Models (VLMs) を用いた Visual imitation learning (VIL) の既存研究 - pre-defined motion primitives に基づくロボット模倣学習の従来手法 - RLBench を用いた multi-task 学習のベースライン研究 - foundation models をロボット行動学習に応用する関連研究(具体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: Guangyan Chen, Meiling Wang, Te Cui, Yao Mu, Haoyang Lu, Zicai Peng, Mengxiao Hu, Tianxing Zhou, Mengyin Fu, Yi Yang, Yufeng Yue

分類: cs.RO

原文アブストラクト

Visual imitation learning (VIL) provides an efficient and intuitive strategy for robotic systems to acquire novel skills. Recent advancements in foundation models, particularly Vision Language Models (VLMs), have demonstrated remarkable capabilities in visual and linguistic reasoning for VIL tasks. Despite this progress, existing approaches primarily utilize these models for learning high-level plans from human demonstrations, relying on pre-defined motion primitives for executing physical interactions, which remains a major bottleneck for robotic systems. In this work, we present FMimic, a novel paradigm that harnesses foundation models to directly learn generalizable skills at even fine-grained action levels, using only a limited number of human videos. Extensive experiments demonstrate that our FMimic delivers strong performance with a single human video, and significantly outperforms all other methods with five videos. Furthermore, our method exhibits significant improvements of over 39% and 29% in RLBench multi-task experiments and real-world manipulation tasks, respectively, and exceeds baselines by more than 34% in high-precision tasks and 47% in long-horizon tasks.

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

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