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:2602.19710

PoseVLA: 汎用ポーズ事前学習による汎化可能な視覚-言語-行動ポリシー

PoseVLA: Universal Pose Pretraining for Generalizable Vision-Language-Action Policies

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの特徴崩壊と学習効率の低さを解決するため、カメラ中心の統一空間で3D空間事前知識を抽出する事前学習と、ロボット固有の行動空間への適応を行う事後学習に分離したPose-VLAを提案。離散ポーズトークンにより多様な3Dデータと軌道データを統合し、RoboTwin 2.0で79.5%、LIBEROで96.0%の成功率を達成。

詳しい要約

1. どんなもの?

PoseVLAは、Vision-Language-Action (VLA) モデルの学習を、カメラ中心の統一空間で普遍的な3D空間事前知識を抽出するpre-training段階と、ロボット固有のaction spaceで効率的にembodiment alignmentを行うpost-training段階に分離するdecoupled paradigmを提案する。離散pose tokensを普遍表現として導入し、多様な3Dデータセットのspatial groundingとロボットデモのgeometry-level trajectoriesを統合する。

2. 先行研究と比べてどこがすごい?

既存VLAは高レベル知覚とsparseでembodiment固有のaction supervisionを絡めて学習するため、feature collapseや低い学習効率に悩む。またVQA向けVLM backboneに依存し、意味同定は得意だがaction patternを決める微妙な3D state変化を見落としがちである。PoseVLAはこれらmisalignmentを解消し、pre-trainingとpost-trainingの分離により効率と汎化を改善する。

3. 技術・手法の肝は?

- 離散pose tokensを普遍表現として導入 - カメラ中心の統一空間で3D spatial priorsを抽出するpre-training - ロボット固有action spaceでembodiment alignmentを行うpost-training - 多様な3Dデータセットのspatial groundingとロボットデモのgeometry-level trajectoriesを統合 - 2段階pre-training pipeline: まずposesで基本的spatial groundingを確立し、次にtrajectory supervisionでmotion alignment

4. どうやって有効だと検証した?

- RoboTwin 2.0で平均成功率79.5%のstate-of-the-art - LIBEROで96.0%の競争力ある性能 - 実世界実験でタスクあたり100デモのみで多様な物体への頑健な汎化を実証 - pre-training paradigmの効率性を検証

5. 議論はある?

要旨からは不明

6. 次に読むべき論文は?

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Vision-Language-Action (VLA) models、Visual Question Answering (VQA)向けVLM backbones、RoboTwin 2.0、LIBEROが挙げられる。

※ 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: Haitao Lin, Hanyang Yu, Jingshun Huang, He Zhang, Yonggen Ling, Ping Tan, Xiangyang Xue, Yanwei Fu

分類: cs.CV, cs.LG, cs.RO

原文アブストラクト

Existing Vision-Language-Action (VLA) models often suffer from feature collapse and low training efficiency because they entangle high-level perception with sparse, embodiment-specific action supervision. Since these models typically rely on VLM backbones optimized for Visual Question Answering (VQA), they excel at semantic identification but often overlook subtle 3D state variations that dictate distinct action patterns. To resolve these misalignments, we propose Pose-VLA, a decoupled paradigm that separates VLA training into a pre-training phase for extracting universal 3D spatial priors in a unified camera-centric space, and a post-training phase for efficient embodiment alignment within robot-specific action space. By introducing discrete pose tokens as a universal representation, Pose-VLA seamlessly integrates spatial grounding from diverse 3D datasets with geometry-level trajectories from robotic demonstrations. Our framework follows a two-stage pre-training pipeline, establishing fundamental spatial grounding via poses followed by motion alignment through trajectory supervision. Extensive evaluations demonstrate that Pose-VLA achieves state-of-the-art results on RoboTwin 2.0 with a 79.5% average success rate and competitive performance on LIBERO at 96.0%. Real-world experiments further showcase robust generalization across diverse objects using only 100 demonstrations per task, validating the efficiency of our pre-training paradigm.

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