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
VLAarXiv:2602.21531

LiLo-VLA: 物体中心ポリシー連携による長期的マニピュレーションの構成

LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies

シェア:XThreadsFacebookLINEはてブBluesky

物体中心のVLAポリシーをモジュール化して連結し、未学習の長期的マニピュレーション課題にゼロショットで汎化するフレームワークを提案。

詳しい要約

1. どんなもの？

- 長期的な manipulation タスクを対象とした modular な VLA フレームワーク LiLo-VLA を提案。 - 複数の kinematic structure changes（例：物体の attach/detach）を含むタスクを扱う。 - transport と interaction を分離し、Reaching Module と object-centric VLA を用いる Interaction Module で構成。 - 未学習の long-horizon タスクへの zero-shot 汎化を目指す。 - 21 タスクの simulation benchmark（LIBERO-Long++ と Ultra-Long）を導入。

2. 先行研究と比べてどこがすごい？

- 従来の VLA モデルは多様な atomic skills を習得できるが、それらの sequencing の組合せ爆発と環境感度による cascading failures が課題。 - LiLo-VLA は modular 設計により、未学習の long-horizon タスクへの zero-shot 汎化を実現。 - simulation で平均成功率 69% を達成し、Pi0.5 を 41%、OpenVLA-OFT を 67% 上回る。 - 実世界の 8 タスクで平均成功率 85% を達成。

3. 技術・手法の肝は？

- transport と interaction を分離する modular アーキテクチャ。 - Reaching Module が global motion を担当。 - Interaction Module は object-centric VLA を用い、対象物体のみを処理。 - これにより無関係な視覚特徴に対する robustness と空間配置への不変性を確保。 - dynamic replanning と skill reuse により failure recovery を実現し、cascading errors を軽減。

4. どうやって有効だと検証した？

- 21 タスクからなる simulation benchmark（LIBERO-Long++ と Ultra-Long）を導入して評価。 - simulation で平均成功率 69% を達成。 - 実世界の 8 long-horizon タスクで平均成功率 85% を達成。 - 比較対象：Pi0.5（+41%）、OpenVLA-OFT（+67%）。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Pi0.5 - OpenVLA-OFT - LIBERO-Long++ - Ultra-Long

※ 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: Yue Yang, Shuo Cheng, Yu Fang, Homanga Bharadhwaj, Mingyu Ding, Gedas Bertasius, Daniel Szafir

分類: cs.RO, cs.AI, cs.CV, cs.LG, cs.SY, eess.SY

原文アブストラクト

General-purpose robots must master long-horizon manipulation, defined as tasks involving multiple kinematic structure changes (e.g., attaching or detaching objects) in unstructured environments. While Vision-Language-Action (VLA) models offer the potential to master diverse atomic skills, they struggle with the combinatorial complexity of sequencing them and are prone to cascading failures due to environmental sensitivity. To address these challenges, we propose LiLo-VLA (Linked Local VLA), a modular framework capable of zero-shot generalization to novel long-horizon tasks without ever being trained on them. Our approach decouples transport from interaction: a Reaching Module handles global motion, while an Interaction Module employs an object-centric VLA to process isolated objects of interest, ensuring robustness against irrelevant visual features and invariance to spatial configurations. Crucially, this modularity facilitates robust failure recovery through dynamic replanning and skill reuse, effectively mitigating the cascading errors common in end-to-end approaches. We introduce a 21-task simulation benchmark consisting of two challenging suites: LIBERO-Long++ and Ultra-Long. In these simulations, LiLo-VLA achieves a 69% average success rate, outperforming Pi0.5 by 41% and OpenVLA-OFT by 67%. Furthermore, real-world evaluations across 8 long-horizon tasks demonstrate an average success rate of 85%. Project page: https://yy-gx.github.io/LiLo-VLA/.

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

OZ GAMING（GPU搭載BTOゲーミングPC）

OZ GAMING（GPU搭載BTOゲーミングPC）の公式広告バナーOZ GAMINGで完成品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 →