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:2605.28231

ProgVLA: 進捗を考慮したロボット操作スキル学習

ProgVLA: Progress-Aware Robot Manipulation Skill Learning

シェア:XThreadsFacebookLINEはてブBluesky

計算・メモリ制約下で信頼性の高い操作を実現する、タスク進捗の明示表現を持つコンパクトなVLAモデルを提案。長いマルチモーダル系列を効率的に処理し、進捗ヘッドによるRL訓練で長期的タスク成功率を向上させる。

詳しい要約

1. どんなもの?

ProgVLAは、計算・メモリ予算が厳しい状況での信頼性の高いロボットマニピュレーションを目的とした、コンパクトなvision-language-action (VLA) モデルである。長いマルチモーダル系列を効率的に処理するため、拡張された時間軸にわたるタスク進捗の明示的な表現を維持することに焦点を当てている。0.1Bパラメータのモデルが、2つの確立されたマルチタスクロボットマニピュレーションベンチマークで、大幅に大きな事前学習済みベースラインと競合する成功率を達成し、長いhorizonや難しいタスク階層では上回る。さらに、実世界のtoy-kitchen環境でも検証されている。

2. 先行研究と比べてどこがすごい?

先行研究と比べて、0.1Bパラメータというコンパクトなモデルでありながら、2つの確立されたマルチタスクロボットマニピュレーションベンチマークにおいて、大幅に大きな事前学習済みベースラインと競合する成功率を達成し、長いhorizonおよび難しいタスク階層ではそれを上回る点がすごい。また、計算・メモリ予算が厳しい状況での信頼性の高いロボットマニピュレーションに焦点を当てている点も特徴である。

3. 技術・手法の肝は?

技術や手法の肝は、以下の2つの主要コンポーネントである。第一に、two-stage Perceiver resampling schemeを備えたマルチモーダルエンコーダが、可変長の視覚・言語・固有受容感覚ストリームを固定数の制御可能なcontext tokensに圧縮し、系列長を大幅に削減しつつクロスモーダルなグラウンディングを保持する。第二に、補助的なprogress headsのセットが、オフライン強化学習 (RL) 目的関数で訓練され、正規化された残りhorizonターゲットに対するcriticsを共同で学習する。これにより、ポリシーにタスク進捗の内部推定を提供し、advantage-およびsuccess-weighted flow-matching imitation learningを可能にする。

4. どうやって有効だと検証した?

2つの確立されたマルチタスクロボットマニピュレーションベンチマークで有効性を検証している。0.1BパラメータのProgVLAモデルが、大幅に大きな事前学習済みベースラインと競合する成功率を達成し、長いhorizonおよび難しいタスク階層ではそれを上回ることを示した。また、ablation studiesにより、学習されたcontext resamplerとタスク適応型視覚ファインチューニングが最大の単一貢献要因であり、progress-aware trainingが長いhorizonおよびマルチオブジェクトタスクに集中した一貫した追加の利得を提供することが示された。さらに、実世界のtoy-kitchen環境でも検証されている。

5. 議論はある?

要旨からは、議論や限界についての明示的な記述は不明である。ただし、ablation studiesの結果から、context resamplerとタスク適応型視覚ファインチューニングが最大の貢献要因であり、progress-aware trainingが特定のタスクタイプで追加の利得をもたらすことが議論されている。

6. 次に読むべき論文は?

要旨で参照/比較されている研究や関連手法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、Perceiver resampling、flow-matching imitation learning、オフライン強化学習 (RL) などが挙げられる。

※ 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: Seungsu Kim, Jinyoung Choi, Seungmin Baek, Jean-Michel Renders

分類: cs.RO, cs.LG

原文アブストラクト

We present ProgVLA, a compact vision-language-action (VLA) model designed for reliable robot manipulation under tight compute and memory budgets. The model specifically focuses on efficiently processing long multi-modal sequences by maintaining an explicit representation of task progress over extended horizons. To this end, ProgVLA integrates two key components. First, a multi-modal encoder with a two-stage Perceiver resampling scheme compresses variable-length visual, language, and proprioceptive streams into a fixed set of control-ready context tokens, substantially reducing sequence length while preserving cross-modal grounding. Second, an auxiliary set of progress heads is trained with offline reinforcement learning (RL) objectives to jointly learn critics over normalized remaining-horizon targets. This provides the policy with an internal estimate of task progress and enables advantage- and success-weighted flow-matching imitation learning. On two well-established multi-task robot manipulation benchmarks, a 0.1B-parameter ProgVLA model reaches success rates that are competitive with, and on long-horizon and harder task tiers exceed, substantially larger pretrained baselines. Ablations indicate that the learned context resampler and task-adaptive visual fine-tuning are the largest single contributors, while progress-aware training provides a consistent additional gain that is concentrated on long-horizon and multi-object tasks. We further validate the approach in real-world toy-kitchen 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. 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. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  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