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:2606.20905

Vesta: 汎用身体化推論モデル

Vesta: A Generalist Embodied Reasoning Model

シェア:XThreadsFacebookLINEはてブBluesky

ロボットのための単一の基盤モデルで、位置推定・空間推論・ナビゲーション・長期計画を統合し、専門モデル群を上回る性能を示した。

詳しい要約

1. どんなもの?

- 開放環境で動作するロボット向けの統合型embodied generalistモデル - localization, spatial reasoning, navigation, long-horizon planningを単一のfoundation modelに統合 - 多様で大規模なcurated corpusとmultimodal memory harnessを組み合わせる - 専門モデル群を置き換え、計算コストとcascading errorsを削減することを狙う

2. 先行研究と比べてどこがすごい?

- 従来は専門モデルを個別タスクに適用し、multi-model stackを構築するのが主流 - Vestaは単一のgeneralistで専門モデルに匹敵または凌駕することを示す - 多様なbenchmarkで個別SOTA baselineを平均>20%上回る - per-category-best baselineのensembleも>10%上回る - 実世界タスクではmemoryとreasoningを要する場面で成功率>35%改善

3. 技術・手法の肝は?

- 空間的groundingを誘導する多様かつ大規模なcurated corpusを構築 - 拡張された時間horizonでのreasoningを可能にするsimple multimodal memory harnessを採用 - localization, spatial reasoning, navigation, long-horizon planningを単一モデルに統合 - 詳細なアーキテクチャや学習手順は要旨からは不明

4. どうやって有効だと検証した?

- 多様なbenchmarkで評価し、個別SOTA baselineおよびper-category-best ensembleと比較 - 実世界のロボットタスクでmemoryとreasoningが必要な設定を検証 - 平均>20%、ensemble比>10%、実世界成功率>35%の改善を報告 - 具体的なbenchmark名やタスク詳細は要旨からは不明

5. 議論はある?

- generalistモデルが専門モデルに匹敵または優れることを示し、単一モデルの実現可能性・拡張性・好ましさを主張 - multi-model stackの計算コストとcascading errorsの問題を指摘 - 限界や失敗事例、計算資源、汎化性に関する議論は要旨からは不明

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embodied AI, vision-language-action models, multimodal foundation models, long-horizon planning, spatial reasoningの定番研究を挙げる - 具体的な論文名は要旨からは不明

※ 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: Johan Bjorck, Zhiqi Li, Yunze Man, Jing Wang, An-Chieh Cheng, Sifei Liu, Shihao Wang, Zhiding Yu, Abhishek Badki, Stan Birchfield, Valts Blukis, Yevgen Chebotar, Siyi Chen, Sicong Leng, Yu-Cheng Chou, Tianli Ding, Boyi Li, Zhengyi Luo, Hang Su, Jonathan Tremblay, Tingwu Wang, Bowen Wen, Jimmy Wu, Xianghui Xie, Hanrong Ye, Hongxu Yin, K. R. Zentner, Liangyan Gui, Yu-Xiong Wang, Yuke Zhu, Linxi "Jim" Fan, Jan Kautz

分類: cs.RO, cs.AI

原文アブストラクト

Robots operating in open-world environments must seamlessly integrate localization, spatial reasoning, navigation, and long-horizon planning. While specialist models excel at individual tasks, deploying a multi-model stack is computationally expensive and prone to cascading errors. We present Vesta, a unified embodied generalist that consolidates these capabilities into a single foundation model. Our approach combines a diverse and massive curated corpus designed to induce spatial grounding and a simple multimodal memory harness that enables reasoning over extended time horizons. Across diverse benchmarks, Vesta on average beats individual SOTA baselines by >$20\%$ and beats an ensemble of per-category-best baselines by $>10\%$ -- thus demonstrating that a generalist model can match or exceed specialists. On real-world robotic tasks requiring memory and reasoning, Vesta improves task success by >35\%. Our work thus demonstrates that a single generalist is a feasible, scalable, and arguably preferable alternative to combining specialists.

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