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:2510.05213

VER: 基盤モデル蒸留と動的ルーティングによるロボット学習のための視覚エキスパートトランスフォーマー

VER: Vision Expert Transformer for Robot Learning via Foundation Distillation and Dynamic Routing

シェア:XThreadsFacebookLINEはてブBluesky

複数の視覚基盤モデルを蒸留してエキスパートライブラリを構築し、軽量なルーティングネットワークでタスクに応じた専門家を動的に選択することで、17種類のロボットタスクで最先端性能を達成した。

詳しい要約

1. どんなもの?

- ロボット学習向けの視覚表現学習フレームワーク VER (Vision Expert transformer for Robot learning) の提案。 - 複数の VFM (vision foundation model) を vision expert library として蒸留し、下流タスクに応じて動的に expert を選択する。 - 17 種類の多様なロボットタスクと複数の policy head で評価した研究。

2. 先行研究と比べてどこがすごい?

- 個々の VFM は特定ドメインに偏り汎化性が限られる、という従来課題に対処。 - 複数 VFM の蒸留による統合表現は柔軟性に欠けタスク特化の特徴選択に留まり、ロボットドメイン知識の導入に高コストな再学習が必要だった。 - VER は routing network のみ (全パラメータの 0.4% 未満) を fine-tune するだけで動的選択を実現し、再学習コストを回避。

3. 技術・手法の肝は?

- 事前学習段階で複数 VFM を vision expert library へ蒸留。 - 下流タスクでは軽量 routing network のみを fine-tune し、タスク関連 expert を動的に選択。 - Patchwise Expert Routing と Curriculum Top-K Annealing を導入し、選択の柔軟性と精度を向上。 - parameter-efficient finetuning によりスケーラブルな expert 利用とロボットドメイン知識の適応的統合を支援。

4. どうやって有効だと検証した?

- 17 種類の多様なロボットタスクと複数の policy head で評価し、state-of-the-art 性能を達成。 - タスク無関係領域 (例: 背景) の大きな norm outlier が減少し、タスク重要領域に集中することを確認。 - 可視化とコードはプロジェクトページで公開。

5. 議論はある?

- タスク無関係領域の outlier 低減とタスク重要領域への集中という挙動を報告。 - ただし routing の汎化限界や expert library 構築コストなど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/比較されている個別 VFM や蒸留ベースの統合表現手法 (具体的名称は要旨からは不明)。 - 関連手法として Mixture-of-Experts (MoE) や parameter-efficient finetuning (例: LoRA, adapter) 系の研究。 - ロボット学習向け視覚表現の定番として R3M, MVP, VC-1 などの VFM 系論文。

※ 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: Yixiao Wang, Mingxiao Huo, Zhixuan Liang, Yushi Du, Lingfeng Sun, Haotian Lin, Jinghuan Shang, Chensheng Peng, Mohit Bansal, Mingyu Ding, Masayoshi Tomizuka

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Pretrained vision foundation models (VFMs) advance robotic learning via rich visual representations, yet individual VFMs typically excel only in specific domains, limiting generality across tasks. Distilling multiple VFMs into a unified representation for policy can mitigate this limitation but often yields inflexible task-specific feature selection and requires costly full re-training to incorporate robot-domain knowledge. We propose VER, a Vision Expert transformer for Robot learning. During pretraining, VER distills multiple VFMs into a vision expert library. It then fine-tunes only a lightweight routing network (fewer than 0.4% of parameters) to dynamically select task-relevant experts from the pretrained library for downstream robot tasks. We further introduce Patchwise Expert Routing with Curriculum Top-K Annealing to improve both flexibility and precision of dynamic expert selection. Moreover, VER supports parameter-efficient finetuning for scalable expert utilization and adaptive robot-domain knowledge integration. Across 17 diverse robotic tasks and multiple policy heads, VER achieves state-of-the-art performance. We find that VER reduces large-norm outliers in task-irrelevant regions (e.g., background) and concentrates on task-critical regions. Visualizations and codes can be found in https://yixiaowang7.github.io/ver_page/.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI