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:2510.19430

GigaBrain-0: ワールドモデルを活用した視覚-言語-行動モデル

GigaBrain-0: A World Model-Powered Vision-Language-Action Model

シェア:XThreadsFacebookLINEはてブBluesky

ワールドモデルで生成した多様なデータを活用し、実機データへの依存を抑えつつ汎化性能を高めたVLA基盤モデルを提案。RGBD入力と身体性Chain-of-Thoughtで長期的・移動を伴う器用な操作タスクの実世界性能を向上させた。

詳しい要約

1. どんなもの?

- GigaBrain-0 は world model が生成したデータで学習する VLA 基盤モデル - 実ロボットデータ収集の高コスト・非効率を緩和する狙い - 入力に RGBD を用い、embodied Chain-of-Thought (CoT) 監督を組み込む - 空間幾何・物体状態・長期的依存の推論を促す - 対象タスクは dexterous / long-horizon / mobile manipulation - 軽量版 GigaBrain-0-Small も提示 - NVIDIA Jetson AGX Orin 上で効率的に動作する設計

2. 先行研究と比べてどこがすごい?

- 従来の VLA 学習は大規模実ロボットデータに依存し、収集コストが scalability と generalization を制限 - 本研究は world model 生成データを活用し、実ロボットデータへの依存を大幅に削減 - 生成データ例: video generation, real2real transfer, human transfer, view transfer, sim2real transfer - 生成データの大規模活用により cross-task generalization を改善 - RGBD 入力と embodied CoT 監督で policy robustness を高める点が差分 - 外観・配置・視点変化への汎化で優位と報告(具体的比較対象は要旨からは不明)

3. 技術・手法の肝は?

- world model を用いて多様な学習データを大規模生成 - video generation, real2real transfer, human transfer, view transfer, sim2real transfer - 生成データと実データを組み合わせ VLA 基盤モデルを学習(詳細な混合比は要旨からは不明) - RGBD 入力モデリングにより空間幾何と物体状態の認識を強化 - embodied Chain-of-Thought (CoT) 監督を導入 - タスク実行中の長期的依存の推論を促す - 軽量化版 GigaBrain-0-Small を用意し edge デバイス展開を想定

4. どうやって有効だと検証した?

- 実世界での dexterous / long-horizon / mobile manipulation タスクで性能向上を報告 - 外観変化(texture, color)、物体配置、camera viewpoint の変動に対する汎化を実験的に評価 - 広範な実験で優れた generalization を示したと記載 - 具体的なベンチマーク名・データセット名・比較手法・数値は要旨からは不明 - GigaBrain-0-Small の NVIDIA Jetson AGX Orin 上の効率性に言及(定量結果は要旨からは不明)

5. 議論はある?

- world model 生成データへの依存に伴う品質・分布ギャップの影響は要旨からは不明 - 実ロボットデータ削減と汎化向上のトレードオフの詳細は要旨からは不明 - embodied CoT 監督の寄与度や RGBD の効果の定量分析は要旨からは不明 - 長期的タスクや mobile manipulation での失敗要因・限界は要旨からは不明 - GigaBrain-0-Small の精度と効率のバランス評価は要旨からは不明

6. 次に読むべき論文は?

- world model によるロボットデータ生成(video generation, sim2real transfer 等)の関連研究 - Vision-Language-Action (VLA) 基盤モデルの代表的手法(RT-2 系など同分野の定番) - embodied Chain-of-Thought (CoT) を用いたロボット推論の研究 - RGBD 入力を用いた manipulation policy 学習の研究 - NVIDIA Jetson AGX Orin 等 edge デバイス向け軽量 VLA の研究 - 要旨で明示的な参照論文は示されていないため、上記は関連手法・定番領域

※ 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: GigaBrain Team, Angen Ye, Boyuan Wang, Chaojun Ni, Guan Huang, Guosheng Zhao, Haoyun Li, Jie Li, Jiagang Zhu, Lv Feng, Peng Li, Qiuping Deng, Runqi Ouyang, Wenkang Qin, Xinze Chen, Xiaofeng Wang, Yang Wang, Yifan Li, Yilong Li, Yiran Ding, Yuan Xu, Yun Ye, Yukun Zhou, Zhehao Dong, Zhenan Wang, Zhichao Liu, Zheng Zhu

分類: cs.RO, cs.CV

原文アブストラクト

Training Vision-Language-Action (VLA) models for generalist robots typically requires large-scale real-world robot data, which is expensive and time-consuming to collect. The inefficiency of physical data collection severely limits the scalability, and generalization capacity of current VLA systems. To address this challenge, we introduce GigaBrain-0, a novel VLA foundation model empowered by world model-generated data (e.g., video generation, real2real transfer, human transfer, view transfer, sim2real transfer data). By leveraging world models to generate diverse data at scale, GigaBrain-0 significantly reduces reliance on real robot data while improving cross-task generalization. Our approach further improves policy robustness through RGBD input modeling and embodied Chain-of-Thought (CoT) supervision, enabling the model to reason about spatial geometry, object states, and long-horizon dependencies during task execution. This leads to substantial gains in real-world performance on dexterous, long-horizon, and mobile manipulation tasks. Extensive experiments demonstrate that GigaBrain-0 achieves superior generalization across variations in appearances (e.g., textures, colors), object placements, and camera viewpoints. Additionally, we present GigaBrain-0-Small, an optimized lightweight variant designed to run efficiently on devices such as the NVIDIA Jetson AGX Orin.

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