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:2602.12215

LDA-1B:汎用身体データ取り込みによる潜在ダイナミクス行動モデルのスケーリング

LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion

シェア:XThreadsFacebookLINEはてブBluesky

異種の身体データからダイナミクス・方策・視覚予測を統合学習する10億パラメータのロボット基盤モデルを提案し、接触・器用・長距離タスクで性能を向上させた。

詳しい要約

1. どんなもの?

- LDA-1Bは、ロボット基盤モデルである。 - 異種のembodied dataを統合的に取り込み、dynamics、policy、visual forecastingを同時学習する。 - データ品質に応じて役割を割り当てる。 - EI-30kという30k時間超の人間とロボットの軌道を含むembodied interaction datasetを構築・標準化。 - 1Bパラメータ規模で安定訓練を実現。

2. 先行研究と比べてどこがすごい?

- 従来のロボット基盤モデルは大規模behavior cloningに依存し、異種データのdynamics知識を捨てていた。 - Unified World Model (UWM) 定式化は多様なデータを活用可能だが、既存実装は粗いデータ利用と断片化で基盤規模に拡張困難。 - LDA-1Bはuniversal embodied data ingestionによりスケールし、シミュレーションと実世界で先行手法(例:$\pi_{0.5}$)を最大21%、48%、23%上回る。 - 低品質軌道を活用したデータ効率的fine-tuningで10%向上。

3. 技術・手法の肝は?

- 構造化DINO latent spaceでの予測により、冗長なpixel-space外観モデリングを回避。 - 異種データ上でのスケーラブルなdynamics学習を可能にする。 - マルチモーダルdiffusion transformerを採用し、非同期のvisionとactionストリームを処理。 - 1Bパラメータ規模での安定訓練を実現。

4. どうやって有効だと検証した?

- シミュレーションと実世界での実験を実施。 - contact-rich、dexterous、long-horizonタスクで先行手法(例:$\pi_{0.5}$)と比較。 - それぞれ最大21%、48%、23%の性能向上を確認。 - 低品質軌道を30%活用したfine-tuningで10%の向上を検証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- $\pi_{0.5}$ - Unified World Model (UWM) - behavior cloning - DINO - diffusion transformer

※ 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: Jiangran Lyu, Kai Liu, Xuheng Zhang, Haoran Liao, Yusen Feng, Wenxuan Zhu, Tingrui Shen, Jiayi Chen, Jiazhao Zhang, Yifei Dong, Wenbo Cui, Senmao Qi, Shuo Wang, Yixin Zheng, Mi Yan, Xuesong Shi, Haoran Li, Dongbin Zhao, Ming-Yu Liu, Zhizheng Zhang, Li Yi, Yizhou Wang, He Wang

分類: cs.RO

原文アブストラクト

Recent robot foundation models largely rely on large-scale behavior cloning, which imitates expert actions but discards transferable dynamics knowledge embedded in heterogeneous embodied data. While the Unified World Model (UWM) formulation has the potential to leverage such diverse data, existing instantiations struggle to scale to foundation-level due to coarse data usage and fragmented datasets. We introduce LDA-1B, a robot foundation model that scales through universal embodied data ingestion by jointly learning dynamics, policy, and visual forecasting, assigning distinct roles to data of varying quality. To support this regime at scale, we assemble and standardize EI-30k, an embodied interaction dataset comprising over 30k hours of human and robot trajectories in a unified format. Scalable dynamics learning over such heterogeneous data is enabled by prediction in a structured DINO latent space, which avoids redundant pixel-space appearance modeling. Complementing this representation, LDA-1B employs a multi-modal diffusion transformer to handle asynchronous vision and action streams, enabling stable training at the 1B-parameter scale. Experiments in simulation and the real world show LDA-1B outperforms prior methods (e.g., $\pi_{0.5}$) by up to 21\%, 48\%, and 23\% on contact-rich, dexterous, and long-horizon tasks, respectively. Notably, LDA-1B enables data-efficient fine-tuning, gaining 10\% by leveraging 30\% low-quality trajectories typically harmful and discarded.

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