日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
マニピュレーションarXiv:2510.21744

FORGE-Tree: 拡散強制と木探索による長期的ロボットマニピュレーション

FORGE-Tree: Diffusion-Forcing Tree Search for Long-Horizon Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

凍結したVLAエンコーダに拡散強制ヘッドとモンテカルロ木拡散を組み合わせ、軌道を局所的に修正しながら長期的な操作タスクの成功率を向上させる制御層を提案。

詳しい要約

1. どんなもの？

- 長期的なロボット操作タスクにおける Vision-Language-Action (VLA) ポリシーの性能向上を目的とした制御レイヤー - 名称は FORGE-Tree - 構成要素: - stage-aligned な Diffusion Forcing (DF) ヘッド - 推論時の Monte Carlo Tree Diffusion (MCTD) - frozen な VLA encoder の上に plug-in として組み込む方式 - 対象は長期的操作タスクで、LIBERO で評価

2. 先行研究と比べてどこがすごい？

- 従来の VLA ポリシーは drift と exposure bias に悩まされる - 既存手法は固定ハイパーパラメータで軌道全体を denoise するため: - 小さな幾何誤差が段階間で累積 - clearance が厳しい箇所に追加の test-time compute を配分する仕組みがない - FORGE-Tree は局所的な軌道編集と探索を可能にし、search budget に応じて性能がスケール - 実行済み prefix を保持したまま改善できる点が新しい - 結果として native VLA baseline 比で 13.4〜17.2 pp の成功率改善 (OpenVLA, Octo-Base 両方)

3. 技術・手法の肝は？

- frozen な VLA encoder をそのまま利用 - Diffusion Forcing (DF) ヘッドで timestep を subtask stage に整列 - 推論時は対象 segment のみ部分的に denoise し、他の token は凍結 - これにより軌道改善を局所編集の系列に変換 - Monte Carlo Tree Diffusion (MCTD) で次に refine する segment を選択 - scene graph を利用: - 展開 (expansion) の prior を供給 - geometry relation-aware scoring で rollout を評価 - 結果として木構造の denoising を実現し、実行済み prefix を保持

4. どうやって有効だと検証した？

- LIBERO ベンチマークで評価 - native VLA baseline として OpenVLA と Octo-Base を使用 - 成功率が 13.4〜17.2 pp 向上 - 同等の compute budget でも改善が一貫して見られる - 特に long-horizon 変種で効果が顕著 - プロジェクトページで動画を公開 (https://taco-group.github.io/FORGE-Tree/)

5. 議論はある？

- 要旨からは不明 - 明示されているのは search budget に応じた性能スケールと compute budget 比較での一貫性のみ - 限界や失敗ケース、scene graph 依存性、計算コストの詳細な議論は要旨に記載なし

6. 次に読むべき論文は？

- Diffusion Forcing (DF) - Monte Carlo Tree Diffusion (MCTD) - OpenVLA - Octo-Base - LIBERO ベンチマーク - Vision-Language-Action (VLA) ポリシー関連の先行研究

※ 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: Yanjia Huang, Shuo Liu, Sheng Liu, Qingxiao Xu, Mingyang Wu, Xiangbo Gao, Zhengzhong Tu

分類: cs.RO

原文アブストラクト

Long-horizon robot manipulation tasks remain challenging for Vision-Language-Action (VLA) policies due to drift and exposure bias, often denoise the entire trajectory with fixed hyperparameters, causing small geometric errors to compound across stages and offering no mechanism to allocate extra test-time compute where clearances are tight. To address these challenges, we introduce FORGE-Tree, a plug-in control layer that couples a stage-aligned Diffusion Forcing (DF) head with test-time Monte Carlo Tree Diffusion (MCTD). With a frozen VLA encoder, DF aligns timesteps to subtask stages; during inference we partially denoise only a target segment while keeping other tokens frozen, turning trajectory refinement into a sequence of local edits. We then apply Monte Carlo Tree Diffusion to select the next segment to refine. A scene graph supplies priors for expansion and geometry relation-aware scoring for rollouts, yielding tree-structured denoising whose performance scales with search budget while preserving the executed prefix. Evaluation on LIBERO, FORGE-Tree improves success rate by 13.4 to 17.2 pp over the native VLA baselines with both OpenVLA and Octo-Base. Gains remain consistent under comparable compute budgets, especially on long-horizon variants. Videos available at: https://taco-group.github.io/FORGE-Tree/

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  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
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →