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:2603.11563

段階的視覚言語学習による物理的接地を備えた具現化タスク計画

SVLL: Staged Vision-Language Learning for Physically Grounded Embodied Task Planning

シェア:XThreadsFacebookLINEはてブBluesky

具現化タスク計画のための3段階学習フレームワークSVLLを提案し、空間接地と時間推論を分離してから、専門家軌道へのバイアスを注入するBias-DPOでアライメントを行うことで、物理的に不可能な行動を抑制する。

詳しい要約

1. どんなもの?

- 本論文は、Embodied Task Planningのための新しい学習フレームワーク「Staged Vision-Language Learning (SVLL)」を提案している。 - SVLLは、視覚的接地と時間的推論を段階的に学習する3段階の統合フレームワークである。 - 最終段階では、標準的なDirect Preference Optimization (DPO)の限界を指摘し、新たなアラインメント目的関数「Bias-DPO」を導入している。 - これにより、物理的に接地された行動計画の生成を目指す。

2. 先行研究と比べてどこがすごい?

- 既存の訓練パラダイムでは、joint end-to-end trainingは早期の時間的結合を引き起こし、標準的な強化学習は最適化の不安定性に悩まされるというトレードオフがあった。 - SVLLは、空間的接地と時間的推論を分離することでこの問題に対処し、堅牢な視覚依存性を確立してから逐次行動履歴を導入する。 - また、標準的なDPOの純粋に相対的な性質(勝敗軌道間の選好ギャップのみを最適化し、最適経路の絶対尤度制約を無視する)が不安全または幻覚的な行動を生むことを指摘し、Bias-DPOでこれを克服している。

3. 技術・手法の肝は?

- SVLLは3段階の学習フレームワークであり、最初の2段階で空間的接地と時間的推論を分離する。 - 最終段階でBias-DPOを適用する。Bias-DPOは、専門家軌道への帰納バイアスを注入し、正解行動の尤度を明示的に最大化しつつ、過信的な幻覚にペナルティを与える新規のアラインメント目的関数である。 - これにより、ポリシーを専門家多様体に固定し、因果的ミスアラインメントを緩和する。

4. どうやって有効だと検証した?

- 対話型AI2-THORベンチマークと実世界のロボット展開による広範な実験を実施。 - SVLLは、最先端のオープンソースモデル(例:Qwen2.5-VL-7B)およびクローズドソースモデル(例:GPT-4o、Gemini-2.0-flash)と比較して、タスク成功率で優れ、物理的制約違反を大幅に削減することを示した。

5. 議論はある?

- 標準的なDPOの限界として、純粋に相対的な性質が不安全または幻覚的な行動を生むことを指摘。 - Bias-DPOにより、ポリシーを専門家多様体に固定し、因果的ミスアラインメントを緩和することで、環境のアフォーダンスへの厳密な遵守と物理的に不可能なショートカットの抑制を実現。 - その他の議論や限界については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照されている研究:Direct Preference Optimization (DPO)、Qwen2.5-VL-7B、GPT-4o、Gemini-2.0-flash、AI2-THORベンチマーク。 - 関連手法として、Embodied Task Planning、Vision-Language Models、強化学習ベースのアラインメント手法が挙げられる。

※ 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: Yuyuan Yang, Junkun Hong, Hongrong Wang, Honghao Cai, Xunpeng Ren, Ge Wang, Mingcong Lei, Shenhao Yan, Jiahao Yang, Chengsi Yao, Xi Li, Yiming Zhao, Yatong Han, Jinke Ren

分類: cs.CV, cs.RO

原文アブストラクト

Embodied task planning demands vision-language models to generate action sequences that are both visually grounded and causally coherent over time. However, existing training paradigms face a critical trade-off: joint end-to-end training often leads to premature temporal binding, while standard reinforcement learning methods suffer from optimization instability. To bridge this gap, we present Staged Vision-Language Learning (SVLL), a unified three-stage framework for robust, physically-grounded embodied planning. In the first two stages, SVLL decouples spatial grounding from temporal reasoning, establishing robust visual dependency before introducing sequential action history. In the final stage, we identify a key limitation of standard Direct Preference Optimization (DPO), its purely relative nature -- optimizing only the preference gap between winning and losing trajectories while neglecting absolute likelihood constraints on optimal path, often yields unsafe or hallucinated behaviors. To address this, we further introduce Bias-DPO, a novel alignment objective that injects an inductive bias toward expert trajectories by explicitly maximizing likelihood on ground-truth actions while penalizing overconfident hallucinations. By anchoring the policy to the expert manifold and mitigating causal misalignment, SVLL, powered by Bias-DPO, ensures strict adherence to environmental affordances and effectively suppresses physically impossible shortcuts. Finally, extensive experiments on the interactive AI2-THOR benchmark and real-world robotic deployments demonstrate that SVLL outperforms both state-of-the-art open-source (e.g., Qwen2.5-VL-7B) and closed-source models (e.g., GPT-4o, Gemini-2.0-flash) in task success rate, while significantly reducing physical constraint violations.

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