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/基盤モデルarXiv:2604.18484

XEmbodied: 大規模具現環境向けに幾何・物理的手がかりを強化した基盤モデル

XEmbodied: A Foundation Model with Enhanced Geometric and Physical Cues for Large-Scale Embodied Environments

シェア:XThreadsFacebookLINEはてブBluesky

クラウド側でVLMに3次元幾何認識と物理的手がかりを統合し、空間推論や具現化タスクの性能を向上させる基盤モデルを提案した。

詳しい要約

1. どんなもの?

- 大規模なembodied環境向けの基盤モデルXEmbodiedを提案。 - Vision-Language-Action (VLA) モデルの学習に必要な高品質アノテーションを生成するクラウド側モデル。 - 3D幾何学的認識と物理的手がかり(occupancy grids, 3D boxes)をVLMに付与。 - 18の公開ベンチマークで評価。

2. 先行研究と比べてどこがすごい?

- 従来のクラウドパイプラインは汎用VLMに依存し、2D画像テキスト事前学習のため幾何学的推論とドメイン意味論が欠如。 - XEmbodiedは幾何学を補助入力ではなく構造的に統合し、物理信号をコンテキストトークンに蒸留。 - 一般的な能力を保持しつつ、空間推論、交通意味論、embodied affordance、分布外汎化を大幅改善。

3. 技術・手法の肝は?

- 構造化3D Adapterを介して幾何表現を統合。 - Efficient Image-Embodied Adapterを用いて物理信号をコンテキストトークンに蒸留。 - 進行的ドメインカリキュラムと強化学習による事後学習を採用。

4. どうやって有効だと検証した?

- 18の公開ベンチマークで評価。 - 空間推論、交通意味論、embodied affordance、分布外汎化、大規模シナリオマイニング、embodied VQAにおける性能を検証。

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) モデル、Vision-Language Model (VLM)、3D Adapter、Efficient Image-Embodied Adapter、強化学習事後学習が挙げられる。

※ 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: Kangan Qian, ChuChu Xie, Yang Zhong, Jingrui Pang, Siwen Jiao, Sicong Jiang, Zilin Huang, Yunlong Wang, Kun Jiang, Mengmeng Yang, Hao Ye, Guanghao Zhang, Hangjun Ye, Guang Chen, Long Chen, Diange Yang

分類: cs.CV, cs.MM, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models drive next-generation autonomous systems, but training them requires scalable, high-quality annotations from complex environments. Current cloud pipelines rely on generic vision-language models (VLMs) that lack geometric reasoning and domain semantics due to their 2D image-text pretraining. To address this mismatch, we propose XEmbodied, a cloud-side foundation model that endows VLMs with intrinsic 3D geometric awareness and interaction with physical cues (e.g., occupancy grids, 3D boxes). Instead of treating geometry as auxiliary input, XEmbodied integrates geometric representations via a structured 3D Adapter and distills physical signals into context tokens using an Efficient Image-Embodied Adapter. Through progressive domain curriculum and reinforcement learning post-training, XEmbodied preserves general capabilities while demonstrating robust performance across 18 public benchmarks. It significantly improves spatial reasoning, traffic semantics, embodied affordance, and out-of-distribution generalization for large-scale scenario mining and embodied VQA.

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