日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

強化学習arXiv:2604.08168

ViVa: ロボット強化学習のためのビデオ生成価値モデル

ViVa: A Video-Generative Value Model for Robot Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みのビデオ生成モデルを価値関数として再利用し、将来の身体状態とスカラー価値を同時に予測することで、ロボット操作タスクにおける価値推定を改善する手法を提案した。

詳しい要約

1. どんなもの?

- ロボット強化学習のためのビデオ生成型価値モデルViVaを提案。 - 事前学習済みビデオ生成器を再利用し、将来の固有感覚とスカラー価値を同時予測。 - 価値推定を予測される身体動態に基づかせ、時空間事前知識を活用。 - 長期的タスクにおける信頼性の高い価値推定を目指す。

2. 先行研究と比べてどこがすごい?

- 既存のVLMベース価値モデルは時間的動態や物理的相互作用の捕捉が苦手。 - ViVaはビデオ生成器の時空間事前知識を活用し、静的スナップショットを超えた先見性を価値に内在的に結合。 - 3タスクのメトリックベース評価で最先端を達成。

3. 技術・手法の肝は?

- 事前学習済みビデオ生成器を価値モデルに転用。 - 将来の固有感覚とスカラー価値を共同予測。 - 価値推定を予測される身体動態に接地。 - 時空間事前知識を利用して価値と先見性を結合。

4. どうやって有効だと検証した?

- 3つのタスクでメトリックベース評価を実施し、最先端の結果を達成。 - タスク進捗を正確に追跡し、実行エラーを検出する信頼性の高い価値信号を生成。 - RECAPに統合し、平均成功率80%を達成。

5. 議論はある?

- ビデオ生成モデルの価値推定への有望性を示唆。 - 部分観測性や遅延フィードバックに対処する可能性。 - 具体的な限界や議論は要旨からは不明。

6. 次に読むべき論文は?

- RECAP(要旨で統合先として参照) - VLAモデル(Vision-language-action models) - VLMベース価値モデル(Vision-language models based value models) - ビデオ生成モデル(Video generative models)

※ 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: Jindi Lv, Hao Li, Jie Li, Fankun Kong, Yang Wang, Pengfei Yi, Yifei Nie, Xiaofeng Wang, Zheng Zhu, Chaojun Ni, Qiuping Deng, Hengtao Li, Jiancheng Lv, Guan Huang

分類: cs.RO, cs.AI

原文アブストラクト

Vision-language-action (VLA) models have advanced robot manipulation through large-scale pretraining, but real-world deployment remains challenging due to partial observability and delayed feedback. Reinforcement learning addresses this via value functions, which assess task progress and guide policy improvement. However, existing value models built on vision-language models (VLMs) struggle to capture temporal dynamics and physical interactions, undermining reliable value estimation in long-horizon tasks. In this paper, we propose ViVa, a video-generative value model that repurposes a pretrained video generator to jointly predict future proprioception and a scalar value. By grounding value estimation in anticipated embodiment dynamics, ViVa leverages spatiotemporal priors to intrinsically couple value with foresight beyond static snapshots. ViVa achieves state-of-the-art results in metric-based evaluation across three tasks, producing reliable value signals that accurately track task progress and detect execution errors. Integrated into RECAP, it achieves an average success rate of 80%, highlighting the promise of video-generative models for value estimation.

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