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:2602.02459

TIC-VLA:動的環境におけるロボットナビゲーションのための制御内思考型視覚-言語-行動モデル

TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments

シェア:XThreadsFacebookLINEはてブBluesky

遅延する意味推論を明示的にモデル化し、非同期推論に適応した視覚-言語-行動モデルを提案。動的環境での言語誘導ナビゲーションをリアルタイム制御で実現する。

詳しい要約

1. どんなもの?

- 動的で人間中心の環境における言語指示に従うロボットナビゲーションのためのフレームワーク。 - Vision-Language-Action (VLA) モデルを基盤とし、意味推論の遅延を明示的に扱う。 - Think-in-Control (TIC)-VLA と名付けられ、遅延を考慮したリアルタイム制御を目指す。 - 遅延セマンティック制御インターフェースと遅延整合トレーニングパイプラインを提案。 - 評価用に DynaNav という物理的に正確でフォトリアリスティックなシミュレーションスイートを提示。

2. 先行研究と比べてどこがすごい?

- 従来の VLA モデルは推論と制御が時間的に整列していると仮定していた。 - しかし意味推論はリアルタイム行動に対して本質的に遅延する。 - TIC-VLA はこの遅延を明示的にモデル化し、非同期推論を補償する。 - 先行 VLA モデルよりも一貫して優れた性能を示し、数秒の推論遅延下でも堅牢なリアルタイム制御を維持。 - 遅延を考慮した訓練と評価環境を提供する点が新しい。

3. 技術・手法の肝は?

- 遅延セマンティック制御インターフェースを定義。 - 行動生成を、現在の観測に加えて、遅延した視覚言語意味状態と明示的な遅延メタデータに条件付ける。 - これによりポリシーが非同期推論を補償可能。 - 遅延整合トレーニングパイプラインを提案。 - 模倣学習とオンライン強化学習中に推論遅延を注入し、非同期展開と訓練を整合させる。

4. どうやって有効だと検証した?

- シミュレーションと実ロボットでの広範な実験を実施。 - DynaNav という物理的に正確でフォトリアリスティックなシミュレーションスイートを開発し、動的環境での言語誘導ナビゲーションを評価。 - 結果として、TIC-VLA は先行 VLA モデルを一貫して上回り、数秒の推論遅延下でも堅牢なリアルタイム制御を維持。 - プロジェクトウェブサイトも公開。

5. 議論はある?

- 要旨からは不明。 - 遅延の影響や限界、失敗事例、計算コストなどに関する議論は記述されていない。 - 実ロボット実験の詳細や被験者数なども不明。

6. 次に読むべき論文は?

- 要旨で参照/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 Vision-Language-Action (VLA) モデル、模倣学習、オンライン強化学習が挙げられる。 - 同分野の定番として RT-1, RT-2, PaLM-E などの VLA モデルが考えられるが、要旨に記載はない。 - 次に読むべき論文は要旨からは特定できない。

※ 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: Zhiyu Huang, Yun Zhang, Johnson Liu, Rui Song, Chen Tang, Jiaqi Ma

分類: cs.RO

原文アブストラクト

Robots in dynamic, human-centric environments must follow language instructions while maintaining real-time reactive control. Vision-language-action (VLA) models offer a promising framework, but they assume temporally aligned reasoning and control, despite semantic inference being inherently delayed relative to real-time action. We introduce Think-in-Control (TIC)-VLA, a latency-aware framework that explicitly models delayed semantic reasoning during action generation. TIC-VLA defines a delayed semantic-control interface that conditions action generation on delayed vision-language semantic states and explicit latency metadata, in addition to current observations, enabling policies to compensate for asynchronous reasoning. We further propose a latency-consistent training pipeline that injects reasoning inference delays during imitation learning and online reinforcement learning, aligning training with asynchronous deployment. To support realistic evaluation, we present DynaNav, a physics-accurate, photo-realistic simulation suite for language-guided navigation in dynamic environments. Extensive experiments in simulation and on a real robot show that TIC-VLA consistently outperforms prior VLA models while maintaining robust real-time control under multi-second reasoning latency. Project website: https://ucla-mobility.github.io/TIC-VLA/

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI