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:2511.09958

Audio-VLA: 接触音知覚を視覚-言語-行動モデルに統合したロボットマニピュレーション

Audio-VLA: Adding Contact Audio Perception to Vision-Language-Action Model for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

接触音を入力に加えたマルチモーダルVLAモデルを提案し、視覚のみの制約を克服。シミュレーションに衝突音生成を追加し、動的プロセス評価指標TCRを導入して実験的に有効性を示した。

詳しい要約

1. どんなもの?

- 視覚のみの VLA に接触音(contact audio)を追加したマルチモーダル操作ポリシー Audio-VLA の提案 - 接触イベントと操作の動的プロセスを音で知覚し、vision-only VLA の制約を克服することを狙う - 視覚 encoder に DINOv2 と SigLIP、音声 encoder に AudioCLIP、LLM backbone に Llama2 を採用 - 操作の動的プロセスを評価する Task Completion Rate (TCR) 指標も導入 - LIBERO、RLBench、実世界2タスクで評価

2. 先行研究と比べてどこがすごい?

- 従来の VLA は視覚のみで、interactive かつ manipulation dynamic な過程の知覚に根本的限界がある - Audio-VLA は contact audio を入力に加え、接触イベントと動的プロセス feedback を知覚可能にする点が新しい - 既存の操作評価は最終結果に偏り、動的プロセスの系統的評価が不足していた - そこで TCR 指標を導入し、操作中の動的プロセス知覚能力を定量化する点が先行評価と異なる - 視覚のみの比較手法より優れる性能を報告

3. 技術・手法の肝は?

- 事前学習済み DINOv2 と SigLIP を視覚 encoder、AudioCLIP を音声 encoder、Llama2 を LLM backbone に使用 - これらの事前学習モジュールに LoRA fine-tuning を適用し、視覚・音響入力の頑健な cross-modal 理解を実現 - multimodal projection layer で異なるモダリティの特徴を同一特徴空間に整列 - RLBench と LIBERO のシミュレーション環境に collision-based audio generation を追加し、物体相互作用時の現実的な音 feedback を生成 - 接触音により接触イベントと操作ダイナミクスをポリシー入力として利用

4. どうやって有効だと検証した?

- LIBERO、RLBench、実世界2タスクで実験を実施 - vision-only の比較手法に対し Audio-VLA が優れた性能を示すと報告 - TCR 指標が動的プロセス知覚能力を効果的に定量化できることを確認 - ただし具体的な数値・被験者数・統計手法は要旨からは不明

5. 議論はある?

- 視覚のみ VLA の限界を contact audio で補う意義と、動的プロセス評価の必要性を議論 - 既存評価が最終結果中心である問題を指摘し、TCR の導入でより包括的な評価を目指す - シミュレーションでは collision-based audio generation を用いるため、実環境の音響特性との差が議論点になり得る(要旨からは不明) - 実世界2タスクの詳細や失敗事例、音響ノイズへの頑健性は要旨からは不明

6. 次に読むべき論文は?

- 視覚のみの VLA 代表手法(例: RT-2、OpenVLA など一般名)との比較論文 - 音声・接触音を用いるマルチモーダルロボット操作研究(例: AudioCLIP 系、contact-based perception 研究) - DINOv2、SigLIP、AudioCLIP、Llama2、LoRA の各原論文 - LIBERO と RLBench のベンチマーク論文 - 操作の動的プロセス評価指標に関する研究(TCR の比較対象として)

※ 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: Xiangyi Wei, Haotian Zhang, Xinyi Cao, Siyu Xie, Weifeng Ge, Yang Li, Changbo Wang

分類: cs.RO, cs.SD

原文アブストラクト

The Vision-Language-Action models (VLA) have achieved significant advances in robotic manipulation recently. However, vision-only VLA models create fundamental limitations, particularly in perceiving interactive and manipulation dynamic processes. This paper proposes Audio-VLA, a multimodal manipulation policy that leverages contact audio to perceive contact events and dynamic process feedback. Audio-VLA overcomes the vision-only constraints of VLA models. Additionally, this paper introduces the Task Completion Rate (TCR) metric to systematically evaluate dynamic operational processes. Audio-VLA employs pre-trained DINOv2 and SigLIP as visual encoders, AudioCLIP as the audio encoder, and Llama2 as the large language model backbone. We apply LoRA fine-tuning to these pre-trained modules to achieve robust cross-modal understanding of both visual and acoustic inputs. A multimodal projection layer aligns features from different modalities into the same feature space. Moreover RLBench and LIBERO simulation environments are enhanced by adding collision-based audio generation to provide realistic sound feedback during object interactions. Since current robotic manipulation evaluations focus on final outcomes rather than providing systematic assessment of dynamic operational processes, the proposed TCR metric measures how well robots perceive dynamic processes during manipulation, creating a more comprehensive evaluation metric. Extensive experiments on LIBERO, RLBench, and two real-world tasks demonstrate Audio-VLA's superior performance over vision-only comparative methods, while the TCR metric effectively quantifies dynamic process perception capabilities.

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