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:2602.12062

HoloBrain-0 技術報告

HoloBrain-0 Technical Report

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの身体情報(カメラ配置やURDF)を組み込んだVLAフレームワークを提案し、事前学習と事後学習でシミュレーションと実機のマニピュレーションタスクを高精度に達成、エコシステム全体をオープンソース化した。

詳しい要約

1. どんなもの?

- HoloBrain-0は、Vision-Language-Action (VLA) フレームワーク - 基盤モデル研究と実世界ロボット展開のギャップを埋める - 中核は、ロボットのembodiment priors(多視点カメラパラメータやkinematic descriptions (URDF))を明示的に組み込んだVLAアーキテクチャ - 3D空間推論を強化し、多様なembodimentをサポート - スケーラブルなpre-train then post-trainパラダイムで検証 - シミュレーションベンチマーク(RoboTwin 2.0, LIBERO, GenieSim)でSOTA - 長期的な実世界マニピュレーションタスクでも強い結果 - 0.2Bパラメータの効率的な変種が大規模ベースラインに匹敵し、低遅延オンデバイス展開を可能に - エコシステム全体をオープンソース化:事前学習済みVLA基盤、post-trainedチェックポイント、RoboOrchard(データキュレーション、モデル訓練、展開のフルスタックVLAインフラ) - 標準化されたデータ収集プロトコルも提供

2. 先行研究と比べてどこがすごい?

- 従来のVLA研究と比べ、ロボットのembodiment priors(多視点カメラパラメータやURDF)を明示的に組み込む点が新しい - これにより3D空間推論が強化され、多様なembodimentをサポート - シミュレーションベンチマーク(RoboTwin 2.0, LIBERO, GenieSim)でSOTAを達成 - 0.2Bパラメータの効率的な変種が、より大きなベースラインに匹敵する性能を示す - 低遅延オンデバイス展開を可能にする点が先行研究と比べて優れている - 完全なオープンソースエコシステム(事前学習済みモデル、チェックポイント、RoboOrchardインフラ)を提供し、再現性と実用性を高める - 標準化されたデータ収集プロトコルも含む

3. 技術・手法の肝は?

- 中核は、ロボットのembodiment priors(多視点カメラパラメータやkinematic descriptions (URDF))を明示的に組み込んだVLAアーキテクチャ - これにより3D空間推論を強化し、多様なembodimentをサポート - スケーラブルなpre-train then post-trainパラダイムを採用 - 事前学習でVLA基盤を構築し、post-trainでシミュレーションスイートや実世界タスクに適応 - 効率的な0.2Bパラメータ変種を開発し、低遅延オンデバイス展開を実現 - RoboOrchardは、データキュレーション、モデル訓練、展開のためのフルスタックVLAインフラ - 標準化されたデータ収集プロトコルを提供

4. どうやって有効だと検証した?

- シミュレーションベンチマーク(RoboTwin 2.0, LIBERO, GenieSim)でstate-of-the-art結果を達成 - 挑戦的な長期的実世界マニピュレーションタスクでも強い結果を示す - 0.2Bパラメータの効率的な変種が、より大きなベースラインに匹敵することを確認 - 低遅延オンデバイス展開が可能であることを実証 - 有効性の検証方法の詳細(実験設定、評価指標など)は要旨からは不明

5. 議論はある?

- 要旨からは、議論や限界についての明示的な記述はない - ただし、実世界展開の信頼性や多様なembodimentへの対応が強調されている - オープンソース化により研究と実用の加速を目指す - 具体的な議論(例えば、失敗事例や制約)は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:RoboTwin 2.0, LIBERO, GenieSim - 関連手法:Vision-Language-Action (VLA) フレームワーク、pre-train then post-trainパラダイム - 同分野の定番:RT-1, RT-2, Octo, OpenVLA など(一般名として) - 具体的な次に読むべき論文は要旨からは不明

※ 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: Xuewu Lin, Tianwei Lin, Yun Du, Hongyu Xie, Yiwei Jin, Jiawei Li, Shijie Wu, Qingze Wang, Mengdi Li, Mengao Zhao, Ziang Li, Chaodong Huang, Hongzhe Bi, Lichao Huang, Zhizhong Su

分類: cs.RO

原文アブストラクト

In this work, we introduce HoloBrain-0, a comprehensive Vision-Language-Action (VLA) framework that bridges the gap between foundation model research and reliable real-world robot deployment. The core of our system is a novel VLA architecture that explicitly incorporates robot embodiment priors, including multi-view camera parameters and kinematic descriptions (URDF), to enhance 3D spatial reasoning and support diverse embodiments. We validate this design through a scalable ``pre-train then post-train" paradigm, achieving state-of-the-art results on simulation benchmarks such as RoboTwin 2.0, LIBERO, and GenieSim, as well as strong results on challenging long-horizon real-world manipulation tasks. Notably, our efficient 0.2B-parameter variant rivals significantly larger baselines, enabling low-latency on-device deployment. To further accelerate research and practical adoption, we fully open-source the entire HoloBrain ecosystem, which includes: (1) powerful pre-trained VLA foundations; (2) post-trained checkpoints for multiple simulation suites and real-world tasks; and (3) RoboOrchard, a full-stack VLA infrastructure for data curation, model training and deployment. Together with standardized data collection protocols, this release provides the community with a complete, reproducible path toward high-performance robotic manipulation.

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