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:2512.11584

原子行動スライシング:汎用VLAエージェントのためのプランナー整合オプション

Atomic Action Slicing: Planner-Aligned Options for Generalist VLA Agents

シェア:XThreadsFacebookLINEはてブBluesky

長期的なデモを短い原子行動に分解するAASを提案し、LIBEROで検証済みデータセットを作成。CLIP-RT+の微調整によりタスク成功率が向上した。

詳しい要約

1. どんなもの?

- 本論文は **Atomic Action Slicing (AAS)** を提案する。 - 長期的なデモンストレーションを、planner が使いやすく policy が学習しやすい短い typed atomic action に分解する planner-aligned なアプローチ。 - **LIBERO** のデモンストレーションを用いて、action type・temporal span・confidence のラベル付きで 2,124 個の atomic segment からなる検証済みデータセットを構築。 - 汎用 **VLA** エージェントの汎化性能改善を狙う。 - **GATE-VLAP** データセットを HuggingFace で公開。

2. 先行研究と比べてどこがすごい?

- 現行の **VLA** モデルは、特にスキルや物体の新しい組み合わせを要するタスクで汎化が乏しい、という課題認識が出発点。 - 先行研究との具体的な比較は要旨からは不明。 - 提案手法の特徴として、planner と整合した atomic action への分解により、planner 側の利用と policy 側の学習の両方を容易にする点を挙げている。 - セグメンタ比較では **Gemini 2.5 Pro** が planner 定義の plan に近く、keyframe jitter にも頑健である一方、小規模モデルは multi-object タスクで性能が劣ると報告。

3. 技術・手法の肝は?

- **Atomic Action Slicing (AAS)** により、long-horizon demonstration を短い typed atomic action へ分解。 - 各 atomic segment には action type・temporal span・confidence を付与。 - **LIBERO** のデモンストレーションを入力として使用。 - 分解結果を planner 定義の plan と照合する planner-aligned な枠組み。 - 得られた atomic dataset で **CLIP-RT+** を fine-tuning。 - セグメンテーションには **Gemini 2.5 Pro** を含むモデルを比較検討。

4. どうやって有効だと検証した?

- **LIBERO** デモンストレーションから 2,124 個の atomic segment を生成し、検証済みデータセットとして整備。 - セグメンタの品質を planner 定義の plan との一致度で評価。 - keyframe jitter に対する頑健性を検証。 - multi-object タスクでのモデル規模別の性能差を比較。 - **CLIP-RT+** の fine-tuning により、**LIBERO-Goal** で成功率 94.2%→95.3%、**LIBERO-Long** で 83.8%→88.8% へ改善。

5. 議論はある?

- セグメンタ性能はモデル規模に依存し、小規模モデルは multi-object タスクで劣る点が示唆される。 - **Gemini 2.5 Pro** は planner 定義 plan に近く keyframe jitter に頑健だが、その他の限界や失敗要因の詳細は要旨からは不明。 - atomic action への分解が汎化改善に寄与する範囲や、他タスク・他データセットへの一般性は要旨からは不明。 - 成功率改善幅は限定的であり、その要因分析は要旨からは不明。

6. 次に読むべき論文は?

- **CLIP-RT+**(fine-tuning 対象の基盤モデル) - **Gemini 2.5 Pro**(比較されたセグメンタ) - **LIBERO** / **LIBERO-Goal** / **LIBERO-Long**(評価ベンチマーク) - **GATE-VLAP** データセット - 関連する **VLA** モデルや **vision-language-action** 研究、planner と policy の統合に関する定番研究

※ 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: Stefan Tabakov, Asen Popov, Dimitar Dimitrov, S. Ensiye Kiyamousavi, Vladimir Hristov, Boris Kraychev

分類: cs.LG, cs.AI, cs.RO

原文アブストラクト

Current vision-language-action (VLA) models generalize poorly, particularly when tasks require new compositions of skills or objects. We introduce Atomic Action Slicing (AAS), a planner-aligned approach that decomposes long-horizon demonstrations into short, typed atomic actions that are easier for planners to use and policies to learn. Using LIBERO demonstrations, AAS produces a validated dataset of 2,124 atomic segments labeled with action type, temporal span, and confidence. A stronger segmenter (Gemini 2.5 Pro) closely matches planner-defined plans and remains robust under keyframe jitter, while smaller models perform worse on multi-object tasks. Fine-tuning CLIP-RT+ on our atomic dataset improves task success from 94.2% to 95.3% on LIBERO-Goal and 83.8% to 88.8% on LIBERO-Long. We publicly release the GATE-VLAP dataset on HuggingFace(https://huggingface.co/datasets/gate-institute/GATE-VLAP-datasets)

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. 2Google DeepMind、ロボット向けAIを発表新製品・発表
  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. 5GXO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

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