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:2512.08186

ゆっくり理解し、素早く動く:汎用視覚言語ナビゲーションのための二重システム基盤モデル

Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable Vision-and-Language Navigation

シェア:XThreadsFacebookLINEはてブBluesky

VLMによる高レベル計画と拡散トランスフォーマによる低レベル行動生成を組み合わせ、動的環境でもリアルタイムに適応できる視覚言語ナビゲーション基盤モデルを提案した。

詳しい要約

1. どんなもの?

- 本論文は **DualVLN** を提案する。 - 視覚言語ナビゲーション (VLN) のための初の dual-system foundation model。 - 高レベル推論と低レベル行動実行を統合する。 - 構成は 2 つのシステム。 - **System 2**: VLM ベースの global planner。image-grounded reasoning で中期的 waypoint goal を予測する。 - **System 1**: 軽量な multi-modal conditioning Diffusion Transformer policy。滑らかな trajectory を生成する。 - 目的は汎化性とリアルタイム制御の両立。

2. 先行研究と比べてどこがすごい?

- 先行の VLM ベース VLN は end-to-end pipeline で視覚言語入力を短期的な離散行動に直接写像する。 - 断片的な motion、高い latency、動的障害物回避の困難という課題がある。 - DualVLN は高レベル推論と低レベル実行を分離した dual-system 設計でこれに対処する。 - 全 VLN benchmark で先行手法を上回ると報告。 - 実世界実験で長期的 planning とリアルタイム適応性を示す。

3. 技術・手法の肝は?

- 核は **System 2** と **System 1** の役割分担。 - System 2 は VLM で中期的 waypoint goal を image-grounded reasoning により予測する ("ground slowly")。 - System 1 は Diffusion Transformer policy で、明示的な pixel goal と System 2 の latent features の両方を条件に trajectory を生成する ("moves fast")。 - 訓練を decouple する。 - VLM の汎化性を保持する。 - System 1 は解釈可能で効果的な局所ナビゲーションを実現する。

4. どうやって有効だと検証した?

- 全 VLN benchmark で先行手法を上回る性能を示した。 - 実世界実験を実施。 - 長期的 planning の堅牢性を確認。 - 動的環境でのリアルタイム適応性を確認。 - 具体的な benchmark 名や実験設定の詳細は要旨からは不明。

5. 議論はある?

- 要旨からは不明。 - 示唆される論点は以下。 - dual-system 設計による latency と motion の滑らかさの改善。 - 動的障害物回避への適応。 - 訓練 decouple による VLM 汎化性の保持。 - 限界や失敗事例に関する記述は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で直接参照/比較されている研究は明示されていない。 - 関連手法として以下が考えられる (一般名)。 - VLM ベースの end-to-end VLN 手法。 - Diffusion Transformer を用いた policy 学習。 - dual-system / hierarchical planning 型のナビゲーション。 - 具体的な論文名は要旨からは不明。

※ 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: Meng Wei, Chenyang Wan, Jiaqi Peng, Xiqian Yu, Yuqiang Yang, Delin Feng, Wenzhe Cai, Chenming Zhu, Tai Wang, Jiangmiao Pang, Xihui Liu

分類: cs.RO

原文アブストラクト

While recent large vision-language models (VLMs) have improved generalization in vision-language navigation (VLN), existing methods typically rely on end-to-end pipelines that map vision-language inputs directly to short-horizon discrete actions. Such designs often produce fragmented motions, incur high latency, and struggle with real-world challenges like dynamic obstacle avoidance. We propose DualVLN, the first dual-system VLN foundation model that synergistically integrates high-level reasoning with low-level action execution. System 2, a VLM-based global planner, "grounds slowly" by predicting mid-term waypoint goals via image-grounded reasoning. System 1, a lightweight, multi-modal conditioning Diffusion Transformer policy, "moves fast" by leveraging both explicit pixel goals and latent features from System 2 to generate smooth and accurate trajectories. The dual-system design enables robust real-time control and adaptive local decision-making in complex, dynamic environments. By decoupling training, the VLM retains its generalization, while System 1 achieves interpretable and effective local navigation. DualVLN outperforms prior methods across all VLN benchmarks and real-world experiments demonstrate robust long-horizon planning and real-time adaptability in dynamic environments.

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