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:2602.11598

ABot-N0:多様な身体性ナビゲーションのためのVLA基盤モデルに関する技術報告

ABot-N0: Technical Report on the VLA Foundation Model for Versatile Embodied Navigation

シェア:XThreadsFacebookLINEはてブBluesky

5種類のナビゲーションタスクを統一的に扱うVLA基盤モデルABot-N0を提案し、大規模データセット構築と7ベンチマークでのSOTA達成、実環境での長期ミッションを可能にした。

詳しい要約

1. どんなもの?

- 統合VLA基盤モデルABot-N0を提案 - 5タスクを単一モデルで実現 - Point-Goal - Object-Goal - Instruction-Following - POI-Goal - Person-Following - 階層型Brain-Action構造 - LLMベースCognitive Brain - Flow MatchingベースAction Expert - 大規模データエンジンも構築

2. 先行研究と比べてどこがすごい?

- 従来はタスク特化アーキテクチャで分断 - ABot-N0は5コアタスクをGrand Unification - 7ベンチマークで新SOTA - 特化モデルを大幅に上回る - 単一基盤モデルで多様なナビゲーションを統合

3. 技術・手法の肝は?

- 階層型Brain-Actionアーキテクチャ - LLMベースCognitive Brainが意味推論 - Flow MatchingベースAction Expertが連続軌道生成 - ABot-N0 Data Engine - 16.9M expert trajectories - 5.0M reasoning samples - 7,802 high-fidelity 3D scenes - 10.7 km² - Agentic Navigation System - plannerと階層的topological memoryを統合

4. どうやって有効だと検証した?

- 7ベンチマークで新SOTAを達成 - 特化モデルを大幅に上回る性能を確認 - Agentic Navigation Systemにより - 動的実世界環境で - 長期的ミッションの堅牢性を実証 - 詳細な実験設定は要旨からは不明

5. 議論はある?

- タスク特化型の分断を統合する意義を提示 - 大規模データと階層構造の有効性を示唆 - 限界や失敗事例、計算コスト、汎化性の議論は要旨からは不明 - 実世界展開時の安全性や倫理面の議論も要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 関連手法として以下が挙げられる - Vision-Language-Action (VLA) モデル - Flow Matching - LLMベースのナビゲーション - 階層的topological memory - 具現化ナビゲーションのベンチマーク

※ 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: Zedong Chu, Shichao Xie, Xiaolong Wu, Yanfen Shen, Minghua Luo, Zhengbo Wang, Fei Liu, Xiaoxu Leng, Junjun Hu, Mingyang Yin, Jia Lu, Yingnan Guo, Kai Yang, Jiawei Han, Xu Chen, Yanqing Zhu, Yuxiang Zhao, Xin Liu, Yirong Yang, Ye He, Jiahang Wang, Yang Cai, Tianlin Zhang, Li Gao, Liu Liu, Mingchao Sun, Fan Jiang, Chiyu Wang, Zhicheng Liu, Hongyu Pan, Honglin Han, Zhining Gu, Kuan Yang, Jianfang Zhang, Di Jing, Zihao Guan, Wei Guo, Guoqing Liu, Di Yang, Xiangpo Yang, Menglin Yang, Hongguang Xing, Weiguo Li, Mu Xu

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Embodied navigation has long been fragmented by task-specific architectures. We introduce ABot-N0, a unified Vision-Language-Action (VLA) foundation model that achieves a ``Grand Unification'' across 5 core tasks: Point-Goal, Object-Goal, Instruction-Following, POI-Goal, and Person-Following. ABot-N0 utilizes a hierarchical ``Brain-Action'' architecture, pairing an LLM-based Cognitive Brain for semantic reasoning with a Flow Matching-based Action Expert for precise, continuous trajectory generation. To support large-scale learning, we developed the ABot-N0 Data Engine, curating 16.9M expert trajectories and 5.0M reasoning samples across 7,802 high-fidelity 3D scenes (10.7 $\text{km}^2$). ABot-N0 achieves new SOTA performance across 7 benchmarks, significantly outperforming specialized models. Furthermore, our Agentic Navigation System integrates a planner with hierarchical topological memory, enabling robust, long-horizon missions in dynamic real-world 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

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