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:2509.04996

FLOWER: 効率的な視覚-言語-行動フローポリシーによる汎用ロボットポリシーの民主化

FLOWER: Democratizing Generalist Robot Policies with Efficient Vision-Language-Action Flow Policies

シェア:XThreadsFacebookLINEはてブBluesky

LLM層の削減とモジュラー適応でパラメータを抑えた9.5億パラメータのVLAモデルFLOWERを提案し、200GPU時間の事前学習で大規模モデルに匹敵する性能とCALVIN ABCベンチマークでのSoTAを達成した。

詳しい要約

1. どんなもの?

- FLOWERは、Vision-Language-Action (VLA) ポリシーの計算コスト・リソース要件を削減する新しい950MパラメータのVLAモデル。 - 中間モダリティ融合とaction-specific Global-AdaLN conditioningを統合。 - 200 H100 GPU hoursの事前学習で、10のシミュレーション・実世界ベンチマーク、190タスクで競争力のある性能を示す。 - CALVIN ABCベンチマークで4.53の新SoTAを達成。 - 多様なロボットembodimentへの頑健性も示す。

2. 先行研究と比べてどこがすごい?

- 既存のdiffusion-based VLAポリシーは数十億パラメータのモデルと大規模データセットを必要とし、計算コストが高い。 - FLOWERはLLM層を最大50%削減し、パラメータを20%削減することで効率化。 - より大きなVLAと比較して競争力のある性能を、はるかに少ないリソース(200 H100 GPU hours)で実現。 - CALVIN ABCで新SoTA 4.53を達成し、効率と性能の両立を示す。

3. 技術・手法の肝は?

- 中間モダリティ融合:LLM層を最大50%プルーニングし、その容量をdiffusion headに再配分。 - action-specific Global-AdaLN conditioning:モジュラー適応によりパラメータを20%削減。 - これらを統合した950MパラメータのVLAアーキテクチャ。 - 詳細なネットワーク構成や学習手順は要旨からは不明。

4. どうやって有効だと検証した?

- 10のシミュレーションおよび実世界ベンチマーク、計190タスクで評価。 - より大きなVLAとの性能比較を実施。 - 多様なロボットembodimentに対する頑健性を検証。 - CALVIN ABCベンチマークで4.53のSoTAを達成。 - 具体的なベースラインや評価指標の詳細は要旨からは不明。

5. 議論はある?

- 効率化のためのLLM層プルーニングとパラメータ削減が性能に与える影響についての議論は要旨からは不明。 - 多様なembodimentへの頑健性の限界や、実世界展開時の課題については要旨からは不明。 - 計算資源削減の度合いと性能のトレードオフに関する詳細な分析は要旨からは不明。

6. 次に読むべき論文は?

- diffusion-based VLA policies(既存手法) - CALVIN ABC benchmark(評価ベンチマーク) - Vision-Language-Action (VLA) ポリシー全般 - 具体的な比較対象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: Moritz Reuss, Hongyi Zhou, Marcel Rühle, Ömer Erdinç Yağmurlu, Fabian Otto, Rudolf Lioutikov

分類: cs.RO

原文アブストラクト

Developing efficient Vision-Language-Action (VLA) policies is crucial for practical robotics deployment, yet current approaches face prohibitive computational costs and resource requirements. Existing diffusion-based VLA policies require multi-billion-parameter models and massive datasets to achieve strong performance. We tackle this efficiency challenge with two contributions: intermediate-modality fusion, which reallocates capacity to the diffusion head by pruning up to $50\%$ of LLM layers, and action-specific Global-AdaLN conditioning, which cuts parameters by $20\%$ through modular adaptation. We integrate these advances into a novel 950 M-parameter VLA called FLOWER. Pretrained in just 200 H100 GPU hours, FLOWER delivers competitive performance with bigger VLAs across $190$ tasks spanning ten simulation and real-world benchmarks and demonstrates robustness across diverse robotic embodiments. In addition, FLOWER achieves a new SoTA of 4.53 on the CALVIN ABC benchmark. Demos, code and pretrained weights are available at https://intuitive-robots.github.io/flower_vla/.

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