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:2602.08167

自己教師ありブートストラップによる行動予測的な身体性推論

Self-Supervised Bootstrapping of Action-Predictive Embodied Reasoning

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの身体性Chain-of-Thought推論を、外部報酬や人手注釈なしに自己教師ありで洗練し、操作・歩行ナビ・自動運転で性能を向上させる手法を提案。

詳しい要約

1. どんなもの?

- 本論文は、Embodied Chain-of-Thought (CoT) 推論を Vision-Language-Action (VLA) モデルに組み込む新手法 R&B-EnCoRe を提案する。 - 従来の固定テンプレートによる推論プリミティブ指定を排除し、自己教師ありで身体性に特化した推論をブートストラップする。 - 推論を潜在変数として扱い、重要度重み付き変分推論により、外部報酬・検証器・人手アノテーションなしで精錬された推論データセットを生成・蒸留する。 - 操作、脚式ナビゲーション、自動運転など多様な身体性とVLAアーキテクチャ(1B〜30Bパラメータ)で検証。

2. 先行研究と比べてどこがすごい?

- 従来のEmbodied CoTは固定テンプレートで推論プリミティブ(物体、高レベル計画、構造的アフォーダンスなど)を指定し、無関係な情報を処理させて行動予測に重要な信号を妨げる問題があった。 - 本手法はテンプレートを排除し、自己教師あり精錬により身体性固有の戦略を蒸留するため、手動アノテーションエンジニアリングを不要にする。 - 外部報酬や検証器、人間のアノテーションを必要とせず、インターネット規模の知識を物理的実行に接地させる点が新しい。 - 操作成功率28%向上、ナビゲーションスコア101%改善、衝突率21%削減を達成し、全ての利用可能なプリミティブについて無差別に推論するモデルを上回る。

3. 技術・手法の肝は?

- 推論を潜在変数とみなし、重要度重み付き変分推論の枠組みで自己教師あり精錬を行う。 - モデル自身が推論を生成し、精錬された推論トレーニングデータセットを蒸留する。 - 外部報酬、検証器、人間のアノテーションを必要としない。 - 身体性に特化した戦略を生成し、成功する制御を予測する推論を蒸留する。 - インターネット規模の知識を物理的実行に接地させる。

4. どうやって有効だと検証した?

- 操作タスク:シミュレーションのFranka Panda、ハードウェアのWidowX。 - 脚式ナビゲーション:二足歩行、車輪、自転車、四足歩行。 - 自動運転。 - 様々なVLAアーキテクチャ(1B、4B、7B、30Bパラメータ)で検証。 - 操作成功率28%向上、ナビゲーションスコア101%改善、衝突率21%削減を、全ての利用可能なプリミティブについて無差別に推論するモデルと比較して達成。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:Embodied Chain-of-Thought (CoT) reasoning、Vision-Language-Action (VLA) models。 - 関連手法:重要度重み付き変分推論 (importance-weighted variational inference)。 - 同分野の定番:Embodied AI、Vision-Language-Action models、Chain-of-Thought reasoning。

※ 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: Milan Ganai, Katie Luo, Jonas Frey, Clark Barrett, Marco Pavone

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

Embodied Chain-of-Thought (CoT) reasoning has significantly enhanced Vision-Language-Action (VLA) models, yet current methods rely on rigid templates to specify reasoning primitives (e.g., objects in the scene, high-level plans, structural affordances). These templates can force policies to process irrelevant information that distracts from critical action-prediction signals. This creates a bottleneck: without successful policies, we cannot verify reasoning quality; without quality reasoning, we cannot build robust policies. We introduce R&B-EnCoRe, which enables models to bootstrap embodied reasoning from internet-scale knowledge through self-supervised refinement. By treating reasoning as a latent variable within importance-weighted variational inference, models can generate and distill a refined reasoning training dataset of embodiment-specific strategies without external rewards, verifiers, or human annotation. We validate R&B-EnCoRe across manipulation (Franka Panda in simulation, WidowX in hardware), legged navigation (bipedal, wheeled, bicycle, quadruped), and autonomous driving embodiments using various VLA architectures with 1B, 4B, 7B, and 30B parameters. Our approach achieves 28% gains in manipulation success, 101% improvement in navigation scores, and 21% reduction in collision-rate metric over models that indiscriminately reason about all available primitives. R&B-EnCoRe enables models to distill reasoning that is predictive of successful control, bypassing manual annotation engineering while grounding internet-scale knowledge in physical execution.

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