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:2512.19178

動的ロボットタスク計画のための視覚-言語-方策モデル

Vision-Language-Policy Model for Dynamic Robot Task Planning

シェア:XThreadsFacebookLINEはてブBluesky

実世界データで微調整した視覚言語モデルを基に、自然言語指示を解釈し、タスクシーンを推論してロボットの行動方策を生成するVLPモデルを提案。タスク変更に応じて方策を動的に更新でき、異なるロボットや新規タスクへの適応性を示した。

詳しい要約

1. どんなもの?

- 動的なロボットタスク計画のための **Vision-Language-Policy (VLP)** モデルを提案する研究。 - 自然言語の指示を解釈し、現在のタスクシーンをマルチモーダルに知覚・推論して、ロボットを制御する behavior policy を生成する。 - 実行中に指示やタスクが変化した場合にも、タスク戦略を動的に更新できる点を特徴とする。 - 実世界データで fine-tune した vision-language model を基盤とする。

2. 先行研究と比べてどこがすごい?

- 従来のロボットタスク計画手法は、低レベル実行と高レベルタスク推論の橋渡しが困難で、実行中の指示変化に応じて戦略を動的に更新できないと指摘。 - それにより新規タスクへの汎用性・適応性が制限されていた。 - 提案手法は、言語指示の解釈とシーン推論を統合し、実行中の変化に応じて policy を動的に調整できる点で異なる。 - 異なるロボットや多様な実世界タスクへの適応、cross-embodiment generalization を示す点を主張。

3. 技術・手法の肝は?

- **Vision-Language-Policy (VLP)** モデルを提案。 - vision-language model を実世界データで fine-tune して構築。 - 意味的な指示を解釈し、現在のタスクシーンに対する推論を統合して、ロボットを制御する behavior policy を生成。 - タスクの変化に応じてタスク戦略を動的に調整する機構を持つ。 - 詳細なアーキテクチャや学習手順は要旨からは不明。

4. どうやって有効だと検証した?

- 異なるロボットと多様な実世界タスクを用いた実験を実施。 - 学習済みモデルが新規シナリオへ効率的に適応し、policy を動的に更新できることを示した。 - 強い planning autonomy と cross-embodiment generalization を実証したと報告。 - 具体的なタスク数・評価指標・ベースラインは要旨からは不明。

5. 議論はある?

- 実行中の指示変化に対する動的更新や、異なる embodiment への汎化が議論の中心。 - 実世界データでの fine-tune により新規シナリオへの適応性を主張。 - 限界、失敗事例、安全性、計算コスト、評価の詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として **vision-language model** を用いたロボット計画、**behavior policy** 生成、**cross-embodiment generalization** に関する研究を挙げる。 - 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: Jin Wang, Kim Tien Ly, Jacques Cloete, Jin Jin, Nikos Tsagarakis, Ioannis Havoutis

分類: cs.RO, cs.AI

原文アブストラクト

Bridging the gap between natural language commands and autonomous execution in unstructured environments remains an open challenge for robotics. This requires robots to perceive and reason over the current task scene through multiple modalities, and to plan their behaviors to achieve their intended goals. Traditional robotic task-planning approaches often struggle to bridge low-level execution with high-level task reasoning, and cannot dynamically update task strategies when instructions change during execution, which ultimately limits their versatility and adaptability to new tasks. In this work, we propose a novel language model-based framework for dynamic robot task planning. Our Vision-Language-Policy (VLP) model, based on a vision-language model fine-tuned on real-world data, can interpret semantic instructions and integrate reasoning over the current task scene to generate behavior policies that control the robot to accomplish the task. Moreover, it can dynamically adjust the task strategy in response to changes in the task, enabling flexible adaptation to evolving task requirements. Experiments conducted with different robots and a variety of real-world tasks show that the trained model can efficiently adapt to novel scenarios and dynamically update its policy, demonstrating strong planning autonomy and cross-embodiment generalization. Videos: https://robovlp.github.io/

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. 2newmo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
  3. 3GXO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
  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