日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作学習arXiv:2604.28192

LaST-R1: 適応的物理潜在推論によるロボット操作の強化学習強化

LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作の基盤モデルに対し、潜在推論と行動生成を共同最適化する強化学習フレームワークを提案し、LIBEROベンチマークで99.9%の成功率を達成した。

詳しい要約

1. どんなもの?

- ロボット操作のための強化学習(RL)後学習フレームワーク「LaST-R1」 - 潜在推論(latent reasoning)を行ってから行動するポリシーを強化 - 動的環境での適応的行動を目指す - 核心アルゴリズム「Latent-to-Action Policy Optimization (LAPO)」を提案 - 潜在推論プロセスと行動生成を同時に最適化 - 適応的潜在Chain-of-Thought (CoT)機構を導入 - 環境状態に応じて推論の長さを動的に調整 - LIBEROベンチマークで99.9%の平均成功率を達成 - 実世界展開でSOTAのsupervised fine-tuningを最大22.5%上回る - シミュレーションと実世界の両方で強い汎化性能を示す

2. 先行研究と比べてどこがすごい?

- 従来のlatent-reasoning Vision-Language-Action (VLA)モデルは静的な模倣学習(imitation learning)に限定され、適応性と汎化性が低い - LaST-R1は強化学習(RL)後学習を導入し、潜在推論と行動生成を統合的に最適化 - 従来のSOTAと比較して、LIBEROベンチマークで収束速度と性能が大幅に向上 - 実世界の4つの複雑タスク(単腕・双腕)でSOTAのsupervised fine-tuningより最大22.5%の平均改善 - 適応的潜在CoTにより、多様な環境状態に応じて推論ホライズンを動的に調整可能

3. 技術・手法の肝は?

- Latent-to-Action Policy Optimization (LAPO)を提案 - 潜在推論プロセスと行動生成を共同で最適化するRLアルゴリズム - 潜在Chain-of-Thought (CoT)推論をRL最適化ループ内に明示的に埋め込む - これにより物理世界モデリングを促進し、インタラクティブ環境での堅牢な実行を実現 - 適応的潜在CoT機構 - ポリシーが環境状態に応じて推論ホライズンを動的に調整 - 1ショットのsupervised warm-upのみで学習可能

4. どうやって有効だと検証した?

- LIBEROベンチマークで評価 - 1ショットのsupervised warm-upのみで99.9%の平均成功率を達成 - 従来のSOTA手法と比較して収束速度と性能が向上 - 実世界展開 - 単腕・双腕を含む4つの複雑タスクで評価 - SOTAのsupervised fine-tuningと比較して最大22.5%の平均改善 - シミュレーションと実世界の両方で強い汎化性能を確認

5. 議論はある?

- 要旨からは不明 - 具体的な議論や限界、課題については記述がない

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: - latent-reasoning Vision-Language-Action (VLA)モデル - supervised fine-tuning (SFT) - LIBEROベンチマーク - 関連手法: - Chain-of-Thought (CoT)推論 - 強化学習(RL)によるポストトレーニング - 模倣学習(imitation learning)

※ 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: Hao Chen, Jiaming Liu, Zhonghao Yan, Nuowei Han, Renrui Zhang, Chenyang Gu, Jialin Gao, Ziyu Guo, Siyuan Qian, Yinxi Wang, Peng Jia, Shanghang Zhang, Pheng-Ann Heng

分類: cs.RO, cs.CV

原文アブストラクト

Robotic foundation models require reasoning over complex visual scenes to execute adaptive actions in dynamic environments. While recent studies on latent-reasoning Vision-Language-Action (VLA) models have demonstrated the capability to capture fine-grained physical dynamics, they remain predominantly confined to static imitation learning, severely limiting their adaptability and generalization. In this paper, we present LaST-R1, a novel reinforcement learning (RL) post-training framework designed to effectively harness "latent reasoning-before-acting" policies. Specifically, we propose Latent-to-Action Policy Optimization (LAPO), a core RL algorithm that jointly optimizes the latent reasoning process and the action generation. By explicitly embedding latent Chain-of-Thought (CoT) reasoning directly within the RL optimization loop, LAPO stimulates profound physical world modeling, which in turn drives robust execution in interactive environments. Furthermore, an adaptive latent CoT mechanism is introduced, allowing the policy to dynamically modulate its reasoning horizon based on diverse environment states. Experiments show that LaST-R1 achieves a near-perfect 99.9% average success rate on the LIBERO benchmark with only one-shot supervised warm-up, significantly improving convergence speed and performance over prior state-of-the-art (SOTA) methods. In real-world deployments, LaST-R1 yields up to a 22.5% average improvement over SOTA supervised fine-tuning approach across four complex tasks, including both single-arm and dual-arm settings. Finally, LaST-R1 demonstrates strong generalization across simulated and real-world environments.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI