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:2604.16391

前方・逆動力学の事前学習分離によるロボット学習の非絡み合い化

Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining

シェア:XThreadsFacebookLINEはてブBluesky

視覚と言語・行動の予測を分離し、前方動力学モデルと逆動力学モデルを別々に事前学習してから統合するフレームワークDeFIを提案し、CALVINやSimplerEnvなどのベンチマークで最先端性能を達成した。

詳しい要約

1. どんなもの?

- 視覚言語行動(VLA)モデルの汎用ロボット構築を目指す研究。 - 2D画像予測と3D行動予測の不一致、および視覚と行動の絡み合いが大規模な行動なし動画データの活用を制限する問題に対処。 - 新フレームワークDeFIを提案。視覚のForward dynamicsとInverse dynamicsの事前学習を分離し、それぞれのデータ源を活用。 - ビデオ生成と行動予測を分離。General Forward Dynamics Model (GFDM)とGeneral Inverse Dynamics Model (GIDM)を導入。 - 下流タスクでエンドツーエンド微調整のため統合アーキテクチャに組み込む。

2. 先行研究と比べてどこがすごい?

- 従来のVLAモデルは視覚と行動が絡み合い、行動なし動画データを活用しにくい。 - DeFIは視覚のForward dynamicsとInverse dynamicsを分離することで、それぞれのデータ源を活用可能。 - これにより、大規模な行動なしウェブ動画データからの学習が可能に。 - 実験でCALVIN ABC-DとSimplerEnvにおいて最先端性能を達成。 - 具体的にはCALVINで平均タスク長4.51、SimplerEnv-Fractalで成功率51.2%、実世界展開で81.3%を達成し、先行手法を大幅に上回る。

3. 技術・手法の肝は?

- DeFIは視覚のForward dynamicsとInverse dynamicsの事前学習を分離するフレームワーク。 - General Forward Dynamics Model (GFDM)を多様な人間とロボットの動画で事前学習し、未来予測を行う。 - General Inverse Dynamics Model (GIDM)を自己教師あり学習で訓練し、ラベルなし動画遷移から潜在行動を推論。 - これらのモデルを統合アーキテクチャに組み込み、下流タスクでエンドツーエンド微調整。 - GFDMとGIDMがまず別々に学習し、その後協調して相互利益を得る。

4. どうやって有効だと検証した?

- CALVIN ABC-DとSimplerEnvでの広範な実験。 - CALVINで平均タスク長4.51を達成。 - SimplerEnv-Fractalベンチマークで成功率51.2%。 - 実世界展開で成功率81.3%。 - これらの結果が最先端性能を示し、先行手法を大幅に上回る。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてVision-language-action (VLA) models、CALVIN、SimplerEnvが挙げられる。 - 同分野の定番として、行動なし動画データを活用するロボット学習手法や、Forward/Inverse dynamicsを分離するアプローチが考えられる。

※ 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: Wenyao Zhang, Bozhou Zhang, Zekun Qi, Wenjun Zeng, Xin Jin, Li Zhang

分類: cs.RO, cs.CV

原文アブストラクト

Vision-language-action (VLA) models have shown great potential in building generalist robots, but still face a dilemma-misalignment of 2D image forecasting and 3D action prediction. Besides, such a vision-action entangled training manner limits model learning from large-scale, action-free web video data. To address these issues, we propose DeFI, a novel framework that Decouples visual Forward and Inverse dynamics pretraining to exploit respective data sources, wherein video generation and action prediction are disentangled. We introduce the General Forward Dynamics Model (GFDM), pretrained on diverse human and robot videos for future prediction, and the General Inverse Dynamics Model (GIDM), trained via self-supervised learning to infer latent actions from unlabeled video transitions. These models are then integrated into a unified architecture for end-to-end finetuning on downstream tasks. In this manner, GFDM and GIDM first shine separately and then cooperate for mutual benefit. Extensive experiments on CALVIN ABC-D and SimplerEnv demonstrate state-of-the-art performance, with DeFI achieving an average task length of 4.51 for CALVIN, 51.2% success rate on SimplerEnv-Fractal benchmark and 81.3% success rate in real-world deployment, significantly outperforming prior methods.

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