日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
マニピュレーションarXiv:2602.19260

その価格は正しくない：ニューロシンボリック手法が構造化長期的操作タスクでVLAを上回り、エネルギー消費も大幅に低い

The Price Is Not Right: Neuro-Symbolic Methods Outperform VLAs on Structured Long-Horizon Manipulation Tasks with Significantly Lower Energy Consumption

シェア:XThreadsFacebookLINEはてブBluesky

構造化された長期的操作タスクにおいて、PDDLベースのニューロシンボリック手法がファインチューニングされたVLAモデルより高い成功率と汎化性能を示し、訓練エネルギーも約2桁少ないことを実験的に示した。

詳しい要約

1. どんなもの？

- 研究内容: Vision-Language-Action (VLA) モデルと neuro-symbolic アーキテクチャを比較。 - 対象タスク: 構造化された long-horizon manipulation タスク (Towers of Hanoi の変種)。 - 評価指標: タスク成功率とエネルギー消費 (訓練・実行時)。 - 主な結果: neuro-symbolic が VLA より高成功率・低エネルギー。

2. 先行研究と比べてどこがすごい？

- 先行研究: VLA モデルは汎用ロボット政策として提案されているが、構造化 long-horizon タスクでの有効性・効率は不明。 - 本研究の貢献: 直接比較により、neuro-symbolic が VLA より優れることを実証。 - 具体的優位性: 3-block タスクで成功率 95% vs 34%、未見 4-block で 78% vs 失敗。 - エネルギー: VLA 微調整は neuro-symbolic より約2桁多い消費。

3. 技術・手法の肝は？

- neuro-symbolic アーキテクチャ: PDDL-based symbolic planning と learned low-level control を組み合わせ。 - VLA モデル: 微調整された open-weight VLA モデル π0 を使用。 - 比較手法: シミュレーション上で Towers of Hanoi の構造化変種を評価。 - エネルギー測定: 訓練と実行時の消費を計測。

4. どうやって有効だと検証した？

- 検証方法: シミュレーションで Towers of Hanoi タスクを実行。 - 評価指標: 成功率とエネルギー消費を測定。 - 結果: neuro-symbolic が 3-block で 95%、4-block で 78% 成功。VLA は 3-block で最高 34%、4-block で失敗。 - エネルギー: VLA 微調整は neuro-symbolic より約2桁多い。

5. 議論はある？

- 議論点: end-to-end foundation-model アプローチと構造的推論アーキテクチャのトレードオフ。 - 示唆: 明示的シンボリック構造が信頼性、データ効率、エネルギー効率を改善。 - 限界: 要旨からは不明 (シミュレーションのみ、実機検証なしなど)。

6. 次に読むべき論文は？

- 関連研究: VLA モデル (π0)、neuro-symbolic アーキテクチャ、PDDL-based planning。 - 比較対象: 他の VLA モデルや long-horizon manipulation 手法。 - 推奨: 元論文の参考文献を参照。

※ 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: Timothy Duggan, Pierrick Lorang, Hong Lu, Matthias Scheutz

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have recently been proposed as a pathway toward generalist robotic policies capable of interpreting natural language and visual inputs to generate manipulation actions. However, their effectiveness and efficiency on structured, long-horizon manipulation tasks remain unclear. In this work, we present a head-to-head empirical comparison between a fine-tuned open-weight VLA model {\pi}0 and a neuro-symbolic architecture that combines PDDL-based symbolic planning with learned low-level control. We evaluate both approaches on structured variants of the Towers of Hanoi manipulation task in simulation while measuring both task performance and energy consumption during training and execution. On the 3-block task, the neuro-symbolic model achieves 95% success compared to 34% for the best-performing VLA. The neuro-symbolic model also generalizes to an unseen 4-block variant (78% success), whereas both VLAs fail to complete the task. During training, VLA fine-tuning consumes nearly two orders of magnitude more energy than the neuro-symbolic approach. These results highlight important trade-offs between end-to-end foundation-model approaches and structured reasoning architectures for long-horizon robotic manipulation, emphasizing the role of explicit symbolic structure in improving reliability, data efficiency, and energy efficiency. Code and models are available at https://price-is-not-right.github.io

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  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
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →