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:2602.13193

操縦可能な視覚-言語-行動ポリシーによる身体性推論と階層制御

Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control

シェア:XThreadsFacebookLINEはてブBluesky

サブタスクや動作、ピクセル座標など多様な抽象度の合成コマンドでVLAを訓練し、VLMの知識を低レベル行動に反映させて汎化性能を高める手法を提案。

詳しい要約

1. どんなもの?

- 本論文は、ロボット制御のための新しいVLA(Vision-Language-Action)ポリシー「Steerable Policies」を提案する。 - 事前学習済みVLM(Vision-Language Model)の常識的知識をロボット行動に接地させることを目的とする。 - 従来の階層型アプローチでは、VLMが高レベルコマンドを推論し、別の低レベルポリシー(VLA)が実行するが、そのインターフェースは自然言語タスク指示に限られていた。 - 本研究では、サブタスク、モーション、接地されたピクセル座標など、様々な抽象度の豊富な合成コマンドでVLAを訓練する。 - これにより低レベルの制御性を向上させ、VLMの事前知識を引き出してタスク汎化を改善する。 - 実世界の操作実験で、学習された高レベル身体化推論器と、既製のVLMをin-context learningでプロンプトしてコマンド抽象化を推論させる2つの新手法が、従来の身体化推論VLAやVLMベース階層ベースラインを上回る。

2. 先行研究と比べてどこがすごい?

- 従来の階層型手法では、VLMとVLAのインターフェースが自然言語タスク指示に限定され、VLMの推論が低レベル行動をどれだけ誘導できるかが根本的に制限されていた。 - 本研究では、サブタスク、モーション、接地されたピクセル座標など、様々な抽象度の合成コマンドでVLAを訓練することで、低レベルの制御性を大幅に向上させる。 - これにより、VLMの事前知識をより効果的に活用でき、タスク汎化が改善される。 - 実世界の操作実験において、提案する2つの新手法(学習された高レベル身体化推論器と、既製VLMをin-context learningでプロンプトする方法)が、従来の身体化推論VLAやVLMベース階層ベースラインを上回る性能を示した。 - 特に挑戦的な汎化タスクや長期的タスクにおいて優位性がある。

3. 技術・手法の肝は?

- 核心は、VLAを様々な抽象度の合成コマンドで訓練することにより、低レベルポリシーを「操縦可能(steerable)」にすることである。 - コマンドの抽象度には、サブタスク、モーション、接地されたピクセル座標などが含まれる。 - これにより、VLMが高レベルの推論結果を低レベル行動に直接反映させやすくなる。 - 制御方法として、2つのアプローチを提案: - 学習された高レベル身体化推論器(learned high-level embodied reasoner) - 既製のVLMをin-context learningでプロンプトし、コマンド抽象化を推論させる方法 - これらの方法でSteerable Policiesを制御し、VLMの事前知識を引き出す。

4. どうやって有効だと検証した?

- 広範な実世界の操作実験(extensive real-world manipulation experiments)を実施。 - 提案する2つの新手法(学習された高レベル身体化推論器と、既製VLMをin-context learningでプロンプトする方法)を評価。 - 従来の身体化推論VLAやVLMベース階層ベースラインと比較。 - 挑戦的な汎化タスクや長期的タスクを含む設定で、提案手法が優位であることを示した。 - 具体的な実験詳細や評価指標は要旨からは不明。

5. 議論はある?

- 要旨からは、提案手法の限界や議論の詳細は不明。 - 実世界操作実験で従来手法を上回ったと主張しているが、失敗事例や制約については言及されていない。 - 合成コマンドの生成方法や、異なる抽象度のコマンドがどのように学習に寄与するかの分析は要旨からは不明。 - 既製VLMをin-context learningで用いる方法の汎用性や、他のタスクへの適用可能性については議論されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:身体化推論VLA(embodied reasoning VLAs)、VLMベース階層ベースライン(VLM-based hierarchical baselines)。 - 関連手法:Vision-Language-Action models (VLAs)、Vision-Language Models (VLMs)、in-context learning。 - 同分野の定番:RT-1, RT-2, PaLM-E, SayCan, Code as Policies などが関連する可能性があるが、要旨では明示されていない。 - 具体的な論文名は要旨からは不明。

※ 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: William Chen, Jagdeep Singh Bhatia, Catherine Glossop, Nikhil Mathihalli, Ria Doshi, Andy Tang, Danny Driess, Karl Pertsch, Sergey Levine

分類: cs.RO

原文アブストラクト

Pretrained vision-language models (VLMs) can make semantic and visual inferences across diverse settings, providing valuable common-sense priors for robotic control. However, effectively grounding this knowledge in robot behaviors remains an open challenge. Prior methods often employ a hierarchical approach where VLMs reason over high-level commands to be executed by separate low-level policies, e.g., vision-language-action models (VLAs). The interface between VLMs and VLAs is usually natural language task instructions, which fundamentally limits how much VLM reasoning can steer low-level behavior. We thus introduce Steerable Policies: VLAs trained on rich synthetic commands at various levels of abstraction, like subtasks, motions, and grounded pixel coordinates. By improving low-level controllability, Steerable Policies can unlock pretrained knowledge in VLMs, enabling improved task generalization. We demonstrate this benefit by controlling our Steerable Policies with both a learned high-level embodied reasoner and an off-the-shelf VLM prompted to reason over command abstractions via in-context learning. Across extensive real-world manipulation experiments, these two novel methods outperform prior embodied reasoning VLAs and VLM-based hierarchical baselines, including on challenging generalization and long-horizon tasks. Website: steerable-policies.github.io

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI