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/汎化arXiv:2605.29562

VLA-Pro: 視覚言語行動モデルのためのクロスタスク手続き記憶転送

VLA-Pro: Cross-Task Procedural Memory Transfer for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

タスク固有のLoRAアダプタを手続き記憶として保存し、推論時に現在のマルチモーダル文脈に基づいて関連記憶を検索・融合することで、未見タスクへの汎化を向上させるプラグアンドプレイフレームワークを提案した。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの汎用ロボット操作におけるクロスタスク汎化を向上させるプラグアンドプレイフレームワーク VLA-Pro を提案。 - 訓練時にタスク固有の LoRA アダプタをパラメータ化された手続き記憶として保存し、推論時に現在のマルチモーダル文脈に基づいて関連記憶を検索・動的融合して行動チャンクを生成。 - 複数のバックボーンに適用可能で、モジュール性と実行安定性を維持しつつ新規タスクへの操作経験の転移を実現。

2. 先行研究と比べてどこがすごい?

- 従来の VLA モデルは、物体・シーン・行動パターンを跨ぐ経験転移を必要とする未見タスクへの汎化が困難。 - VLA-Pro は手続き記憶の検索と適応により、シミュレーションで最大 207% の相対改善、実世界成功率を 5.8% から 65.0% に向上。 - プラグアンドプレイで複数バックボーンに適用でき、モジュール性と実行安定性を保持する点が優位。

3. 技術・手法の肝は?

- 訓練時にタスク固有の LoRA アダプタをパラメータ化された手続き記憶として保存。 - 推論時に現在のマルチモーダル文脈に基づき関連する手続き記憶を検索し、動的に融合して現在の行動チャンクを生成。 - これによりクロスタスク汎化を実現する。

4. どうやって有効だと検証した?

- RoboTwin、RLBench、実世界操作タスクで実験を実施。 - 複数のバックボーンでクロスタスク汎化が一貫して改善。 - シミュレーションで最大 207% の相対改善、実世界成功率が 5.8% から 65.0% に増加。

5. 議論はある?

- 手続き記憶の検索と適応が、モジュール性と実行安定性を保ちながら新規タスクへ操作経験を転移する有効なメカニズムであることを示唆。 - その他の議論や限界については要旨からは不明。

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、LoRA アダプタ、RoboTwin、RLBench 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: Shengyu Si, Yuanzhuo Lu, Ruimeng Yang, Ziyi Ye, Zuxuan Wu, Yu-Gang Jiang

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Vision-Language-Action~(VLA) models have shown strong potential for general-purpose robotic manipulation, yet they still struggle to generalize to unseen tasks that necessitate transferring relevant experience across objects, scenes, and action patterns. This paper proposes VLA-Pro, a plug-and-play framework designed to enhance cross-task generalization by storing task-relevant procedural memories at training time and transferring these memories during inference. Specifically, VLA-Pro stores task-specific LoRA adapters as parameterized procedural memories during training. At inference time, VLA-Pro retrieves relevant procedural memories based on the current multi-modal context and dynamically fuses these memories for generating the current action chunk. Experiments on RoboTwin, RLBench, and real-world manipulation tasks show that VLA-Pro consistently improves cross-task generalization across multiple backbones, achieving up to a 207% relative improvement in simulation and increasing real-world success rate from 5.8% to 65.0%. These results suggest that procedural memory retrieval and adaptation provide an effective mechanism for transferring manipulation experience to novel tasks while preserving modularity and execution stability.

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