日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/能動的知覚/操作arXiv:2603.12193

SaPaVe: ロボットの視覚言語行動モデルにおける能動的知覚と操作の実現

SaPaVe: Towards Active Perception and Manipulation in Vision-Language-Action Models for Robotics

シェア:XThreadsFacebookLINEはてブBluesky

能動的知覚と操作を統合するエンドツーエンドフレームワークSaPaVeを提案し、カメラと操作の行動を分離しつつ協調学習することで、動的視点下でのロバストな能動的操作を実現した。

詳しい要約

1. どんなもの?

- ロボットが複雑なシーンで能動的な知覚と操作を行うためのフレームワーク「SaPaVe」を提案。 - カメラ動作と操作動作を共有アクション空間に置かず分離し、end-to-endで学習。 - 大規模データセット「ActiveViewPose-200K」とベンチマーク「ActiveManip-Bench」を導入。 - シミュレーションと実環境でGR00T N1やπ0を上回る成功率を達成。

2. 先行研究と比べてどこがすごい?

- 既存手法は意味駆動の能動知覚と視点不変の実行を統合できていなかった。 - SaPaVeはカメラと操作を分離しつつ協調学習することで、データ効率と汎化性能を向上。 - 実世界タスクでGR00T N1やπ0より最大31.25%高い成功率を実現。 - 固定視点を超える能動操作のベンチマークを初めて提供。

3. 技術・手法の肝は?

- カメラと操作のアクションを分離し、共有アクション空間を避ける。 - ボトムアップ訓練戦略:大規模データで意味的カメラ制御を訓練後、ハイブリッドデータで両アクションを共同最適化。 - 3D geometry-awareモジュールで動的視点下の実行堅牢性を向上。 - データセットActiveViewPose-200K(20万の画像-言語-カメラ移動ペア)を活用。

4. どうやって有効だと検証した?

- シミュレーションと実世界環境での広範な実験を実施。 - 実世界タスクでGR00T N1やπ0と比較し、最大31.25%高い成功率を達成。 - 新ベンチマークActiveManip-Benchで固定視点を超える能動操作を評価。

5. 議論はある?

- 密結合した知覚と実行を、分離しつつ協調した戦略で訓練することで効率的で汎化可能な能動操作が可能になると主張。 - 限界や課題については要旨からは不明。

6. 次に読むべき論文は?

- GR00T N1 - π0 - 関連手法:vision-language-action models, active perception, manipulation

※ 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: Mengzhen Liu, Enshen Zhou, Cheng Chi, Yi Han, Shanyu Rong, Liming Chen, Pengwei Wang, Zhongyuan Wang, Shanghang Zhang

分類: cs.RO, cs.CV

原文アブストラクト

Active perception and manipulation are crucial for robots to interact with complex scenes. Existing methods struggle to unify semantic-driven active perception with robust, viewpoint-invariant execution. We propose SaPaVe, an end-to-end framework that jointly learns these capabilities in a data-efficient manner. Our approach decouples camera and manipulation actions rather than placing them in a shared action space, and follows a bottom-up training strategy: we first train semantic camera control on a large-scale dataset, then jointly optimize both action types using hybrid data. To support this framework, we introduce ActiveViewPose-200K, a dataset of 200k image-language-camera movement pairs for semantic camera movement learning, and a 3D geometry-aware module that improves execution robustness under dynamic viewpoints. We also present ActiveManip-Bench, the first benchmark for evaluating active manipulation beyond fixed-view settings. Extensive experiments in both simulation and real-world environments show that SaPaVe outperforms recent vision-language-action models such as GR00T N1 and \(\pi_0\), achieving up to 31.25\% higher success rates in real-world tasks. These results show that tightly coupled perception and execution, when trained with decoupled yet coordinated strategies, enable efficient and generalizable active manipulation. Project page: https://lmzpai.github.io/SaPaVe

  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