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:2509.01106

Robix: ロボットの対話・推論・計画を統合する統一モデル

Robix: A Unified Model for Robot Interaction, Reasoning and Planning

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語モデル1つでロボットの高レベル推論・タスク計画・自然言語対話を担い、低レベル制御への指令生成と人間との対話を統合的に実現するモデルを提案。

詳しい要約

1. どんなもの?

- ロボットの高次認知層として機能する統合 vision-language model - 階層型ロボットシステムにおいて、低レベル controller への atomic command 生成と言語応答を同時に行う - 複雑な指示追従、long-horizon task planning、人間との自然な対話を end-to-end framework で実現 - 新規能力として proactive dialogue、real-time interruption handling、context-aware commonsense reasoning を導入 - 対象タスクは table bussing、grocery shopping、dietary filtering などユーザ関与型

2. 先行研究と比べてどこがすごい?

- 従来の個別モジュール型パイプラインではなく、reasoning・planning・interaction を単一 vision-language architecture に統合 - 実験で open-source および商用 baseline(GPT-4o、Gemini 2.5 Pro など)を interactive task execution で上回ると報告 - open-ended、multi-stage、constrained、invalid、interrupted といった多様な指示タイプへの汎化を示す - 詳細な先行研究との個別比較は要旨からは不明

3. 技術・手法の肝は?

- 中核に chain-of-thought reasoning を採用 - 三段階の学習戦略 - continued pretraining で 3D spatial understanding、visual grounding、task-centric reasoning など embodied reasoning の基盤を強化 - supervised finetuning で human-robot interaction と task planning を unified reasoning-action sequence として学習 - reinforcement learning で reasoning-action consistency と long-horizon task coherence を改善 - 低レベル controller への atomic command と言語応答を動的に生成

4. どうやって有効だと検証した?

- extensive experiments を実施し、interactive task execution で評価 - open-source および商用 baseline(GPT-4o、Gemini 2.5 Pro など)と比較し優位性を報告 - open-ended、multi-stage、constrained、invalid、interrupted など多様な指示タイプへの汎化を検証 - table bussing、grocery shopping、dietary filtering など複数のユーザ関与型タスクで評価 - 具体的なデータセット名や評価指標は要旨からは不明

5. 議論はある?

- 要旨からは不明 - 想定される論点として、商用 model との比較条件、long-horizon 性能の限界、実機での interruption handling の頑健性などが考えられるが、要旨には明示なし

6. 次に読むべき論文は?

- 要旨で比較対象として挙げられた GPT-4o、Gemini 2.5 Pro などの商用 vision-language model - 階層型ロボットシステムにおける high-level cognitive layer 関連の研究 - chain-of-thought reasoning を用いた embodied reasoning / task planning 研究 - reinforcement learning による reasoning-action consistency 改善の関連手法 - 具体的な参照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: Huang Fang, Mengxi Zhang, Heng Dong, Wei Li, Zixuan Wang, Qifeng Zhang, Xueyun Tian, Yucheng Hu, Hang Li

分類: cs.AI, cs.CV, cs.RO

原文アブストラクト

We introduce Robix, a unified model that integrates robot reasoning, task planning, and natural language interaction within a single vision-language architecture. Acting as the high-level cognitive layer in a hierarchical robot system, Robix dynamically generates atomic commands for the low-level controller and verbal responses for human interaction, enabling robots to follow complex instructions, plan long-horizon tasks, and interact naturally with human within an end-to-end framework. Robix further introduces novel capabilities such as proactive dialogue, real-time interruption handling, and context-aware commonsense reasoning during task execution. At its core, Robix leverages chain-of-thought reasoning and adopts a three-stage training strategy: (1) continued pretraining to enhance foundational embodied reasoning abilities including 3D spatial understanding, visual grounding, and task-centric reasoning; (2) supervised finetuning to model human-robot interaction and task planning as a unified reasoning-action sequence; and (3) reinforcement learning to improve reasoning-action consistency and long-horizon task coherence. Extensive experiments demonstrate that Robix outperforms both open-source and commercial baselines (e.g., GPT-4o and Gemini 2.5 Pro) in interactive task execution, demonstrating strong generalization across diverse instruction types (e.g., open-ended, multi-stage, constrained, invalid, and interrupted) and various user-involved tasks such as table bussing, grocery shopping, and dietary filtering.

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. 2newmo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
  3. 3GXO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
  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