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:2510.25889

π_RL: フローベース視覚言語行動モデルのオンライン強化学習ファインチューニング

$π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

フローマッチングに基づく大規模VLAモデルに強化学習を適用するため、Flow-NoiseとFlow-SDEの2手法を提案し、分布内外で性能を向上させた。

詳しい要約

1. どんなもの?

- 対象は Vision-Language-Action (VLA) モデル、特に flow matching を用いる大規模 flow-based VLA(例: $π_0$, $π_{0.5}$) - これらにオンライン強化学習 (RL) ファインチューニングを適用する手法 $π_{\texttt{RL}}$ を提案 - SFT のためのデータ収集を RL で自動化・効率化することを狙う - flow matching 由来の扱いにくい action log-likelihood の計算問題に対処するもの

2. 先行研究と比べてどこがすごい?

- 近年 SFT のスケーリングにおけるデータ収集を RL で自動化する研究はある - しかし大規模 flow-based VLA への RL 適用は action log-likelihood が計算困難で未解決だった - $π_{\texttt{RL}}$ はこの難点を Flow-Noise と Flow-SDE の二手法で克服 - 大規模 flow-based VLA にオンライン RL を適用可能にした点が新規

3. 技術・手法の肝は?

- Flow-Noise: denoising 過程を離散時間 MDP としてモデル化 - 学習可能な noise network を導入し厳密な log-likelihood 計算を実現 - Flow-SDE: denoising と agent-environment interaction を統合 - 二層 MDP として定式化 - ODE-to-SDE 変換により効率的な RL exploration を実現 - これら二手法で flow matching の log-likelihood 困難を回避しつつ RL を可能に

4. どうやって有効だと検証した?

- 複数のベンチマークで $π_{\texttt{RL}}$ を評価 - RL により in-distribution と out-of-distribution の両設定で顕著な性能向上を確認 - 具体的なベンチマーク名・指標・比較対象は要旨からは不明

5. 議論はある?

- RL が in-distribution / out-of-distribution 双方で性能向上をもたらすと報告 - Flow-Noise と Flow-SDE の各寄与や限界、計算コスト、安定性などの詳細な議論は要旨からは不明 - 大規模 flow-based VLA への RL 適用上の制約や失敗事例も要旨からは不明

6. 次に読むべき論文は?

- $π_0$(flow-based VLA の代表例) - $π_{0.5}$(同) - flow matching を用いる VLA の SFT 研究 - RL によるデータ収集自動化の先行研究(具体名は要旨からは不明) - ODE-to-SDE 変換や二層 MDP を用いる RL 手法(同分野の関連手法)

※ 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: Kang Chen, Zhihao Liu, Tonghe Zhang, Zhen Guo, Si Xu, Hao Lin, Hongzhi Zang, Xiang Li, Quanlu Zhang, Zhaofei Yu, Guoliang Fan, Tiejun Huang, Yu Wang, Chao Yu

分類: cs.LG

原文アブストラクト

Vision-Language-Action (VLA) models enable robots to understand and perform complex tasks from multimodal input. Although recent work explores using reinforcement learning (RL) to automate the laborious data collection process in scaling supervised fine-tuning (SFT), applying RL to large-scale flow-based VLAs (\eg, $π_0$, $π_{0.5}$) remains challenging due to intractable action log-likelihoods raised from flow matching. We address this challenge with $π_{\texttt{RL}}$, featuring two technical approaches: (1) \textbf{Flow-Noise} models the denoising process as a discrete-time MDP with a learnable noise network for exact log-likelihood computation. (2) \textbf{Flow-SDE} integrates denoising with agent-environment interaction, formulating a two-layer MDP that employs ODE-to-SDE conversion for efficient RL exploration. We evaluate $π_{\texttt{RL}}$ across various benchmarks, with experiments demonstrating that RL yields significant performance improvements in both in-distribution and out-of-distribution settings.

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