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:2605.10925

PriorVLA: 事前知識を保持した視覚言語行動モデルの適応

PriorVLA: Prior-Preserving Adaptation for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みの視覚言語行動モデルを下流タスクに適応させる際、事前知識を保持しつつ効率的に活用するフレームワークPriorVLAを提案。凍結した事前エキスパートと適応エキスパートを組み合わせ、パラメータ更新を25%に抑えつつ、分布外や少数サンプル設定で高い性能を達成。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの下流タスク適応フレームワーク PriorVLA を提案。 - 大規模事前学習済み VLA モデルを汎用ロボット操作の基盤として活用。 - 事前学習の prior を保持しつつ適応することを目的とする。 - 凍結した Prior Expert と学習する Adaptation Expert から構成。 - Expert Queries でシーン prior とモーター prior を統合。 - 全 fine-tuning の 25% のパラメータのみ更新。

2. 先行研究と比べてどこがすごい?

- 従来の full fine-tuning は事前学習を初期化として扱い、広い prior を狭い訓練分布にシフトさせる問題があった。 - PriorVLA は事前学習 prior を保持しつつ適応する点が新しい。 - full fine-tuning や state-of-the-art VLA ベースラインより総合性能が高い。 - 特に out-of-distribution (OOD) と few-shot 設定で大きな改善。 - pi0.5 と比較して RoboTwin 2.0-Hard で 11 ポイント向上。 - LIBERO で 99.1% の平均成功率を達成。

3. 技術・手法の肝は?

- 凍結した Prior Expert を読み取り専用の prior 源として保持。 - 下流タスク特化のための Adaptation Expert を訓練。 - Expert Queries が事前学習済み VLM からシーン prior を、Prior Expert からモーター prior を取得。 - 両 prior を Adaptation Expert に統合し適応を誘導。 - 更新パラメータは full fine-tuning の 25% に削減。

4. どうやって有効だと検証した?

- RoboTwin 2.0、LIBERO、実世界タスクで評価。 - full fine-tuning および state-of-the-art VLA ベースラインと比較。 - OOD と few-shot 設定で最大の性能向上を確認。 - RoboTwin 2.0-Hard で pi0.5 を 11 ポイント上回る。 - LIBERO で 99.1% の平均成功率。 - 実世界 8 タスク、2 embodiment で標準データ時 ID 81%、OOD 57% 成功。 - タスクあたり 10 デモのみで ID 48%、OOD 32% 成功、pi0.5 をそれぞれ 24、22 ポイント上回る。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- pi0.5 - full fine-tuning - Vision-Language-Action (VLA) モデル - RoboTwin 2.0 - LIBERO

※ 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: Xinyu Guo, Bin Xie, Wei Chai, Xianchi Deng, Tiancai Wang, Zhengxing Wu, Xingyu Chen

分類: cs.RO

原文アブストラクト

Large-scale pretraining has made Vision-Language-Action (VLA) models promising foundations for generalist robot manipulation, yet adapting them to downstream tasks remains necessary. However, the common practice of full fine-tuning treats pretraining as initialization and can shift broad priors toward narrow training-distribution patterns. We propose PriorVLA, a novel framework that preserves pretrained priors and learns to leverage them for effective adaptation. PriorVLA keeps a frozen Prior Expert as a read-only prior source and trains an Adaptation Expert for downstream specialization. Expert Queries capture scene priors from the pretrained VLM and motor priors from the Prior Expert, integrating both into the Adaptation Expert to guide adaptation. Together, PriorVLA updates only 25% of the parameters updated by full fine-tuning. Across RoboTwin 2.0, LIBERO, and real-world tasks, PriorVLA achieves stronger overall performance than full fine-tuning and state-of-the-art VLA baselines, with the largest gains under out-of-distribution (OOD) and few-shot settings. PriorVLA improves over pi0.5 by 11 points on RoboTwin 2.0-Hard and achieves 99.1% average success on LIBERO. Across eight real-world tasks and two embodiments, PriorVLA reaches 81% in-distribution (ID) and 57% OOD success with standard data. With only 10 demonstrations per task, PriorVLA reaches 48% ID and 32% OOD success, surpassing pi0.5 by 24 and 22 points, respectively.

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. 2newmo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
  3. 3GXO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
  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