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:2603.25406

MMaDA-VLA:マルチモーダル指示と生成を統合した大規模拡散視覚-言語-行動モデル

MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation

シェア:XThreadsFacebookLINEはてブBluesky

離散拡散を用いて将来の目標観察と行動チャンクを同一トークン空間で同時にデノイズするVLAモデルを提案し、LIBEROで98.0%の成功率を達成した。

詳しい要約

1. どんなもの?

- MMaDA-VLAは、視覚観測と言語指示からロボット行動を生成するVision-Language-Action (VLA) モデル。 - 完全にネイティブな事前学習済み離散拡散VLAで、マルチモーダル理解と生成を統合。 - 共有離散トークン空間を用いて、将来の目標観測と行動チャンクを同時にデノイズする。 - 補助的なworld modelなしで、予測された視覚結果に行動を接地させる。 - 並列で順序に依存しないrefinementにより、長期的な一貫性を向上させる。

2. 先行研究と比べてどこがすごい?

- 従来の階層的・自己回帰的パラダイムは、アーキテクチャのオーバーヘッド、長期的エラーの蓄積、環境ダイナミクスを捉えるための補助モジュールを必要とした。 - MMaDA-VLAは、これらを不要にし、単一の離散拡散モデルで理解と生成を統合。 - 補助world modelなしで行動を視覚結果に接地させる点が新しい。 - 並列・順序非依存のrefinementにより長期的整合性を改善。

3. 技術・手法の肝は?

- 共有離散トークン空間を採用し、将来の目標観測と行動チャンクを同時にデノイズする。 - 離散拡散モデルにより、マルチモーダル理解と生成を統合。 - 並列で順序に依存しないrefinementを実行。 - 補助world modelを必要とせず、予測視覚結果に行動を接地。

4. どうやって有効だと検証した?

- LIBEROで平均成功率98.0%を達成。 - CALVINで平均成功シーケンス長4.78を達成。 - 実世界設定でも強力に動作。 - 広範な実験と包括的分析を実施。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- LIBERO, CALVIN, Vision-Language-Action (VLA) models, discrete diffusion models, world model

※ 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: Yang Liu, Pengxiang Ding, Tengyue Jiang, Xudong Wang, Wenxuan Song, Minghui Lin, Han Zhao, Hongyin Zhang, Zifeng Zhuang, Wei Zhao, Siteng Huang, Jinkui Shi, Donglin Wang

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models map visual observations and natural-language instructions to robot actions; however, hierarchical and autoregressive paradigms often incur architectural overhead, accumulate long-horizon errors, and require auxiliary modules to capture environment dynamics. To this end, we present MMaDA-VLA, a fully native, pretrained discrete diffusion VLA that unifies multi-modal understanding and generation. Specifically, MMaDA-VLA uses a shared discrete token space to jointly denoise a future goal observation and an action chunk, grounding actions in predicted visual outcomes without an auxiliary world model. In this way, parallel, order-free refinement improves long-horizon consistency. Extensive experiments and comprehensive analyses demonstrate that MMaDA-VLA achieves an average success rate of 98.0\% on LIBERO and an average successful sequence length of 4.78 on CALVIN, while performing strongly in real-world settings. The project page is available at https://yliu-cs.github.io/MMaDA-VLA.

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