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:2604.20834

PokeVLA: 包括的な世界知識の指導によるポケットサイズの視覚言語行動モデルの強化

PokeVLA: Empowering Pocket-Sized Vision-Language-Action Model with Comprehensive World Knowledge Guidance

シェア:XThreadsFacebookLINEはてブBluesky

この論文は、ロボット操作のための軽量な視覚言語行動モデルPokeVLAを提案し、2段階のトレーニングと新しいアクションエキスパートにより、LIBERO-Plusベンチマークと実世界で高い性能を達成した。

詳しい要約

1. どんなもの?

- PokeVLAは、embodied manipulationのための軽量かつ強力な基盤モデルである。 - Vision-Language-Action (VLA) モデルの一種で、視覚と言語の理解を行動学習に効果的に融合させる。 - 2段階の学習パラダイムを導入:第一段階でコンパクトなvision-language model (PokeVLM) を2.4Mサンプルのマルチモーダルデータセットで事前学習し、第二段階で操作に関連する表現を行動空間に注入する。 - 実世界展開とLIBERO-Plusベンチマークで最先端性能を達成。 - コード、モデル重み、データセットスクリプトをオープンソース化予定。

2. 先行研究と比べてどこがすごい?

- 既存のVLAモデルは効率性が限られ、高レベル知識と空間認識が欠如している。 - PokeVLAは軽量でありながら、これらの課題に対処し、成功率和robustnessで同等のベースラインを上回る。 - 具体的な比較対象は要旨からは不明だが、LIBERO-Plusベンチマークで最先端性能を示す。

3. 技術・手法の肝は?

- 2段階学習:第一段階でPokeVLMを2.4Mサンプルのマルチモーダルデータセット(spatial grounding, affordance, embodied reasoningタスクを含む)で事前学習。 - 第二段階でmulti-view goal-aware semantics learning、geometry alignment、新しいaction expertを通じて操作関連表現を行動空間に注入。 - これにより視覚言語理解を行動学習に効果的に融合。

4. どうやって有効だと検証した?

- LIBERO-Plusベンチマークと実世界展開で広範な実験を実施。 - 成功率和robustnessにおいて同等のベースラインを上回ることを示した。 - 多様な摂動下での性能を評価。

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。 - 同分野の定番として、Vision-Language-Action (VLA) モデル、Vision-Language Model (VLM)、robot manipulationに関する研究が挙げられる。

※ 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: Yupeng Zheng, Xiang Li, Songen Gu, Yuhang Zheng, Shuai Tian, Weize Li, Linbo Wang, Senyu Fei, Pengfei Li, Yinfeng Gao, Zebin Xing, Yilun Chen, Qichao Zhang, Haoran Li, Wenchao Ding

分類: cs.RO

原文アブストラクト

Recent advances in Vision-Language-Action (VLA) models have opened new avenues for robot manipulation, yet existing methods exhibit limited efficiency and a lack of high-level knowledge and spatial awareness. To address these challenges, we propose PokeVLA, a lightweight yet powerful foundation model for embodied manipulation that effectively infuses vision-language understanding into action learning. Our framework introduces a two-stage training paradigm: first, we pre-train a compact vision-language model (PokeVLM) on a curated multimodal dataset of 2.4M samples encompassing spatial grounding, affordance, and embodied reasoning tasks; second, we inject manipulation-relevant representations into the action space through multi-view goal-aware semantics learning, geometry alignment, and a novel action expert. Extensive experiments demonstrate state-of-the-art performance on the LIBERO-Plus benchmark and in real-world deployment, outperforming comparable baselines in success rate and robustness under diverse perturbations. To foster reproducibility and community progress, we will open-source our code, model weights, and the scripts for the curated pre-training dataset. Project page: https://getterupper.github.io/PokeVLA

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