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:2508.13998

Embodied-R1: 汎用ロボット操作のための強化学習による身体性推論

Embodied-R1: Reinforced Embodied Reasoning for General Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

「ポインティング」を身体性に依存しない中間表現として用い、3Bの視覚言語モデルを強化学習ファインチューニングで訓練することで、未知の環境や実機タスクへのゼロショット汎化を実現した研究。

詳しい要約

1. どんなもの?

- 汎用的なロボット操作のための embodied reasoning を行う 3B の Vision-Language Model (VLM)「Embodied-R1」の提案 - 「pointing」を embodiment に依存しない統一的な中間表現として導入し、視覚言語理解と低レベル行動 primitive を橋渡し - 4 つの core embodied pointing 能力を定義し、大規模データセット Embodied-Points-200K を構築 - 二段階の Reinforced Fine-tuning (RFT) カリキュラムで学習

2. 先行研究と比べてどこがすごい?

- 従来の seeing-to-doing gap の原因であるデータ不足と embodiment の異質性に対し、pointing を embodiment-agnostic な中間表現として用いる点が新しい - 11 の embodied spatial/pointing ベンチマークで state-of-the-art を達成 - タスク固有の fine-tuning なしで SIMPLEREnv 56.2%、8 つの実機 XArm タスクで 87.5% の zero-shot 成功率を達成し、強い baseline 比で 62% 改善 - 多様な視覚的撹乱に対する高い robustness も示す

3. 技術・手法の肝は?

- pointing を統一的な中間表現とし、4 つの core embodied pointing 能力を定義 - embodied および一般的な視覚推論データセットを源に Embodied-Points-200K を構築 - 3B VLM に対し、専用の multi-task reward design を伴う二段階の Reinforced Fine-tuning (RFT) カリキュラムを適用 - 詳細なアーキテクチャや reward の具体設計は要旨からは不明

4. どうやって有効だと検証した?

- 11 の embodied spatial/pointing ベンチマークで評価し state-of-the-art を報告 - SIMPLEREnv で 56.2%、8 つの実世界 XArm タスクで 87.5% の zero-shot 成功率を、タスク固有 fine-tuning なしで達成 - 強い baseline 比で 62% 改善 - 多様な視覚的撹乱に対する robustness を評価

5. 議論はある?

- pointing 中心の表現と RFT 学習パラダイムの組み合わせが perception-action gap を埋める有効かつ汎化可能な道筋であると主張 - 限界や失敗事例、計算コスト、データセットの偏りなどの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている具体的な先行研究名は不明 - 関連手法として Vision-Language Model (VLM)、Reinforced Fine-tuning (RFT)、embodied pointing、SIMPLEREnv、XArm に関する研究を挙げる - 同分野の定番として embodied AI における vision-language-action モデルや imitation learning 関連の研究が次に読む候補

※ 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: Yifu Yuan, Haiqin Cui, Yaoting Huang, Yibin Chen, Fei Ni, Zibin Dong, Pengyi Li, Yan Zheng, Hongyao Tang, Jianye Hao

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Generalization in embodied AI is hindered by the "seeing-to-doing gap," which stems from data scarcity and embodiment heterogeneity. To address this, we pioneer "pointing" as a unified, embodiment-agnostic intermediate representation, defining four core embodied pointing abilities that bridge high-level vision-language comprehension with low-level action primitives. We introduce Embodied-R1, a 3B Vision-Language Model (VLM) specifically designed for embodied reasoning and pointing. We use a wide range of embodied and general visual reasoning datasets as sources to construct a large-scale dataset, Embodied-Points-200K, which supports key embodied pointing capabilities. We then train Embodied-R1 using a two-stage Reinforced Fine-tuning (RFT) curriculum with a specialized multi-task reward design. Embodied-R1 achieves state-of-the-art performance on 11 embodied spatial and pointing benchmarks. Critically, it demonstrates robust zero-shot generalization by achieving a 56.2% success rate in the SIMPLEREnv and 87.5% across 8 real-world XArm tasks without any task-specific fine-tuning, representing a 62% improvement over strong baselines. Furthermore, the model exhibits high robustness against diverse visual disturbances. Our work shows that a pointing-centric representation, combined with an RFT training paradigm, offers an effective and generalizable pathway to closing the perception-action gap in robotics.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI