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:2509.06951

F1: 理解と生成を行動に橋渡しする視覚-言語-行動モデル

F1: A Vision-Language-Action Model Bridging Understanding and Generation to Actions

シェア:XThreadsFacebookLINEはてブBluesky

将来の視覚状態を予測する「視覚的先見」を意思決定に組み込み、それを目標として逆動力学で行動を生成するVLAフレームワークF1を提案し、実世界タスクとシミュレーションで成功率と汎化性能を大幅に向上させた。

詳しい要約

1. どんなもの?

- 動的な視覚環境で言語条件付きタスクを実行するための Vision-Language-Action (VLA) フレームワーク F1 を提案 - 知覚・foresight generation・制御を専用モジュールに分けた Mixture-of-Transformer アーキテクチャ - 意思決定パイプラインに visual foresight generation を統合し、理解・生成・行動を橋渡し - 330k 以上の trajectory、136 タスクからなる大規模データセットで事前学習

2. 先行研究と比べてどこがすごい?

- 既存 VLA は reactive な state-to-action 写像が主流で、short-sighted な行動や動的場面での低頑健性が課題 - F1 は将来の視覚状態を明示的な計画目標として生成する点が異なる - 行動生成を foresight-guided inverse dynamics 問題として再定式化 - 実世界タスクと simulation benchmark で既存手法を一貫して上回り、成功率と汎化性で大きな改善

3. 技術・手法の肝は?

- Mixture-of-Transformer 構成で perception・foresight generation・control を分離 - next-scale prediction により goal-conditioned visual foresight を合成 - 予測した将来視覚状態を計画目標とし、それを達成する行動を逆動力学として生成 - 330k trajectory・136 タスクのデータに対する three-stage training recipe で頑健性と転移可能な visual foresight を獲得

4. どうやって有効だと検証した?

- 実世界タスクと simulation benchmark の両方で評価 - 既存手法と比較し、task success rate と generalization ability で一貫した改善を報告 - 詳細なベースライン名や benchmark 名、定量的数値は要旨からは不明

5. 議論はある?

- 動的環境での short-sighted 問題に対する visual foresight の有効性を主張 - three-stage training が modular reasoning と転移可能な foresight を強化すると述べる - 限界・失敗事例・計算コスト・foresight 誤差の影響などの議論は要旨からは不明

6. 次に読むべき論文は?

- 比較対象として言及される既存 Vision-Language-Action (VLA) モデル全般 - reactive な state-to-action 写像を用いる VLA 研究 - visual foresight / future visual state prediction を用いる planning 研究 - inverse dynamics model に基づく行動生成研究 - 個別の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: Qi Lv, Weijie Kong, Hao Li, Jia Zeng, Zherui Qiu, Delin Qu, Haoming Song, Qizhi Chen, Xiang Deng, Jiangmiao Pang

分類: cs.RO, cs.CV

原文アブストラクト

Executing language-conditioned tasks in dynamic visual environments remains a central challenge in embodied AI. Existing Vision-Language-Action (VLA) models predominantly adopt reactive state-to-action mappings, often leading to short-sighted behaviors and poor robustness in dynamic scenes. In this paper, we introduce F1, a pretrained VLA framework which integrates the visual foresight generation into decision-making pipeline. F1 adopts a Mixture-of-Transformer architecture with dedicated modules for perception, foresight generation, and control, thereby bridging understanding, generation, and actions. At its core, F1 employs a next-scale prediction mechanism to synthesize goal-conditioned visual foresight as explicit planning targets. By forecasting plausible future visual states, F1 reformulates action generation as a foresight-guided inverse dynamics problem, enabling actions that implicitly achieve visual goals. To endow F1 with robust and generalizable capabilities, we propose a three-stage training recipe on an extensive dataset comprising over 330k trajectories across 136 diverse tasks. This training scheme enhances modular reasoning and equips the model with transferable visual foresight, which is critical for complex and dynamic environments. Extensive evaluations on real-world tasks and simulation benchmarks demonstrate F1 consistently outperforms existing approaches, achieving substantial gains in both task success rate and generalization ability.

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