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:2509.25681

dVLA: マルチモーダル連鎖推論を備えた拡散型視覚-言語-行動モデル

dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought

シェア:XThreadsFacebookLINEはてブBluesky

視覚・言語・行動を単一の拡散目的関数で統合し、マルチモーダル連鎖推論を活用したVLAモデルdVLAを提案。LIBEROで96.4%の成功率を達成し、実機Frankaでも多段階計画を要するタスクに成功。

詳しい要約

1. どんなもの?

- 拡散モデル(diffusion)ベースの Vision-Language-Action (VLA) モデル「dVLA」 - 視覚知覚・言語推論・ロボット制御を単一システムで統合 - multimodal chain-of-thought を活用 - 単一の diffusion objective の下で知覚・言語理解・行動を同時最適化 - 実運用向けに推論高速化機構を組み込んだロボティクス向け基盤モデル

2. 先行研究と比べてどこがすごい?

- 従来の VLA は離散行動ポリシーや連続行動ポリシーとして個別に設計されることが多い - dVLA は単一 diffusion objective で知覚・言語・行動を統合し、cross-modal reasoning と新規指示・物体への汎化を強化 - LIBERO benchmark で 96.4% の平均成功率を達成し、discrete および continuous action policies を一貫して上回る state-of-the-art 性能 - 推論遅延を prefix attention mask と KV caching で最大約「around times」の高速化(具体的倍率は要旨からは不明)

3. 技術・手法の肝は?

- diffusion-based VLA アーキテクチャ - 視覚・言語・行動を単一の diffusion objective で同時最適化 - multimodal chain-of-thought により知覚→言語推論→行動を連結 - 推論高速化 - prefix attention mask - KV caching - これらにより test-time inference を高速化 - 詳細なネットワーク構成や学習データは要旨からは不明

4. どうやって有効だと検証した?

- シミュレーション評価 - LIBERO benchmark で平均成功率 96.4% の state-of-the-art 性能 - discrete / continuous action policies との比較で優位 - 実機評価 - 実 Franka robot 上で多様なタスクスイートを実施 - 多段階計画を要する難易度の高い bin-picking タスクにも成功 - これらにより simulation と real world の両面で有効性を提示

5. 議論はある?

- 統一 diffusion フレームワークが実用的な高性能 VLA ロボティクスに有望であると主張 - 推論遅延は実運用上の課題であり、prefix attention mask と KV caching で緩和 - 具体的な高速化倍率、計算コスト、失敗事例、汎化限界、安全性の議論は要旨からは不明 - 実機タスクスイートの詳細や統計的有意性は要旨からは不明

6. 次に読むべき論文は?

- LIBERO benchmark 関連の VLA 研究(discrete / continuous action policies の比較対象) - diffusion policy 系のロボティクス研究 - Vision-Language-Action (VLA) モデルの代表的手法(RT-2 など) - multimodal chain-of-thought を用いる推論研究 - KV caching や prefix attention mask など Transformer 推論高速化の関連研究

※ 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: Junjie Wen, Minjie Zhu, Jiaming Liu, Zhiyuan Liu, Yicun Yang, Linfeng Zhang, Shanghang Zhang, Yichen Zhu, Yi Xu

分類: cs.RO, cs.CV

原文アブストラクト

Vision-Language-Action (VLA) models are emerging as a next-generation paradigm for robotics. We introduce dVLA, a diffusion-based VLA that leverages a multimodal chain-of-thought to unify visual perception, language reasoning, and robotic control in a single system. dVLA jointly optimizes perception, language understanding, and action under a single diffusion objective, enabling stronger cross-modal reasoning and better generalization to novel instructions and objects. For practical deployment, we mitigate inference latency by incorporating two acceleration strategies, a prefix attention mask and KV caching, yielding up to around times speedup at test-time inference. We evaluate dVLA in both simulation and the real world: on the LIBERO benchmark, it achieves state-of-the-art performance with a 96.4% average success rate, consistently surpassing both discrete and continuous action policies; on a real Franka robot, it succeeds across a diverse task suite, including a challenging bin-picking task that requires multi-step planning, demonstrating robust real-world performance. Together, these results underscore the promise of unified diffusion frameworks for practical, high-performance VLA 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

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