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/操作arXiv:2606.19784

EquiVLA: 回転同変ビジョン・言語・行動モデルのための汎用フレームワーク

EquiVLA: A General Framework for Rotationally Equivariant Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

凍結した視覚言語バックボーンとフローマッチング拡散トランスフォーマー行動ヘッドを組み合わせた任意のアーキテクチャに適用可能な、エンドツーエンドのSO(2)同変VLAモデルの最初の汎用フレームワークを提案。回転に対する幾何学的帰納バイアスを導入し、データ効率と汎化性能を大幅に向上させた。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルは汎用ロボット操作の強力な枠組みだが、幾何学的帰納バイアスを欠く。 - 特定の向きで訓練されたポリシーは、回転配置への一般化に多くのデータを要する。 - 本研究は EquiVLA を提案。 - 凍結した vision-language backbone と flow-matching Diffusion Transformer 行動ヘッドを結合する任意のアーキテクチャに適用可能な、初の end-to-end SO(2)-equivariant VLA モデルの一般フレームワーク。 - EquiPerceptor と EquiActor を導入。 - カメラ観測から予測行動系列までの近似的 SO(2) 同変連鎖を確立。

2. 先行研究と比べてどこがすごい?

- 従来の VLA モデルは幾何学的帰納バイアスを欠き、回転配置への一般化に追加データを要した。 - EquiVLA は初の end-to-end SO(2)-equivariant VLA フレームワークであり、任意のアーキテクチャに適用可能。 - 実験で LIBERO 平均成功率 92.6% (ベースライン 78.1%)、CALVIN 平均系列長 4.03 (ベースライン 3.45)、実機成功率 54%→72% と大幅改善。

3. 技術・手法の肝は?

- EquiPerceptor: 凍結 ViT 特徴から近似的 SO(2)-equivariant 視覚表現を生成。 - EquiActor: 厳密に SO(2)-equivariant な flow-matching Diffusion Transformer 行動ヘッド。 - 両者を組み合わせ、カメラ観測から予測行動系列までの近似的 SO(2) 同変連鎖を構築。 - GR00T N1.5 上に実装。

4. どうやって有効だと検証した?

- 4 つの LIBERO スイート、CALVIN ABCD→D、Mobile ALOHA 上の 5 つの実機タスクで評価。 - LIBERO 平均成功率 92.6% (ベースライン 78.1%)。 - CALVIN 平均系列長 4.03 (ベースライン 3.45)。 - 実機成功率 54% から 72% に改善。

5. 議論はある?

- 要旨からは不明。 - 限界や議論の詳細は記述されていない。

6. 次に読むべき論文は?

- GR00T N1.5 (ベースラインとして使用) - LIBERO (ベンチマーク) - CALVIN (ベンチマーク) - Mobile ALOHA (実機プラットフォーム) - flow-matching Diffusion Transformer (行動ヘッドの基盤) - SO(2)-equivariant モデル (関連手法)

※ 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: Thien-Loc Ha, Quang-Tan Nguyen, Trong-Bao Ho, Long Dinh, Minh Duc Nguyen, Gia-Binh Nguyen, Pham Tri Quang, Minh N. Vu, Duy M. H. Nguyen, An Thai Le, Ngo Anh Vien

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have emerged as a powerful paradigm for generalist robot manipulation, yet they lack geometric inductive biases: policies trained at specific orientations require substantially more data to generalize across rotational configurations. We present \textsc{EquiVLA}, the first general framework for end-to-end $\mathrm{SO}(2)$-equivariant VLA models, applicable to any architecture coupling a frozen vision-language backbone with a flow-matching Diffusion Transformer action head. \textsc{EquiVLA} introduces \textsc{EquiPerceptor}, which produces approximately $\mathrm{SO}(2)$-equivariant visual representations from frozen ViT features; and \textsc{EquiActor}, an exactly $\mathrm{SO}(2)$-equivariant flow-matching Diffusion Transformer action head. Together, they establish an approximate $\mathrm{SO}(2)$ equivariance chain from camera observations to predicted action sequences. Instantiated on GR00T~N1.5 and evaluated across four LIBERO suites, CALVIN ABCD$\to$D, and five real-robot tasks on Mobile ALOHA, \textsc{EquiVLA} achieves $92.6\%$ average success on LIBERO (vs. $78.1\%$ baseline), an average sequence length of $4.03$ on CALVIN (vs. $3.45$), and improves real-robot success from $54\%$ to $72\%$.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI