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:2606.21501

UniviewVLA:世界モデリングを備えた統合マルチビュー視覚言語行動モデル

UniviewVLA: A Unified Multiview Vision-Language-Action Model with World Modeling

シェア:XThreadsFacebookLINEはてブBluesky

標準的な2つのカメラ観測のみから、世界モデルを用いてマルチビューの未来シーンを生成し、遮蔽された情報を補完して行動予測を改善するVLAモデルを提案。推論高速化のためのトークン圧縮と、動的な視点選択手法も導入。

詳しい要約

1. どんなもの?

- ロボットマニピュレーションにおける遮蔽(occlusion)タスクのボトルネックを解決するための統合マルチビューVision-Language-Actionモデル。 - 標準的な2カメラ観測(agent-viewとwrist-view)のみから、世界モデルを用いてマルチビューの未来シーンを生成し、行動予測を行う。 - 追加の物理カメラや明示的な3D再構成を必要とせず、遮蔽情報と未来のシーン進化を捉える。 - 推論高速化のためのMotion-Informative Token Compressionと、訓練不要のAction-Entropy View Selectionを提案。

2. 先行研究と比べてどこがすごい?

- 従来手法は追加の物理カメラを配備し訓練と推論でカメラ構成を一致させる必要があったり、計算コストの高い明示的3D再構成に依存していた。 - 既存手法は標準的なagent-viewとwrist-viewのみに頼り、遮蔽情報や未来のシーン進化を捉えられなかった。 - UniviewVLAは追加ハードウェアや明示的再構成なしに、生成されたマルチビュー未来ビューから遮蔽手がかりを明らかにし、未来のシーン進化をモデル化する。 - 標準的な遮蔽なしベンチマーク(LIBERO, CALVIN)でも性能を維持しつつ、遮蔽に焦点を当てたタスクで大幅な性能向上を達成。

3. 技術・手法の肝は?

- 世界モデルを用いて、標準2カメラ観測からマルチビューの未来シーンを生成し、行動予測に活用。 - Motion-Informative Token Compression:生成された各ビューを625トークンから16トークンに圧縮し、ビューあたりのレイテンシを6-7秒から0.2-0.3秒に削減。 - Action-Entropy View Selection:訓練不要で、推論段階に応じて最も行動に情報量の多いビューを動的に選択。 - これらにより、追加ハードウェアや明示的再構成なしで遮蔽手がかりを活用し、未来のシーン進化をモデル化。

4. どうやって有効だと検証した?

- 標準的な遮蔽なしベンチマーク:LIBEROで95.8%、CALVIN ABCD to Dで4.60を達成。 - カスタマイズされた遮蔽に焦点を当てたタスク:成功率を40.0%から73.3%に向上。 - 実ロボットでの平均成功率を33.4ポイント向上。 - 標準的な遮蔽なしベンチマークを犠牲にすることなく、遮蔽に焦点を当てた性能が向上することを実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- LIBERO(ベンチマーク) - CALVIN(ベンチマーク) - 世界モデルを用いたロボットマニピュレーション(関連手法) - Vision-Language-Action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: Tao Xu, Runhao Zhang, Zhijian Huang, Jiayi Guan, Jiaxin Wang, Yifan Ding, Yong-Lu Li, Long Chen, Guang Chen, Jinghui Lu

分類: cs.RO

原文アブストラクト

Occluded tasks remain a bottleneck in robot manipulation. Existing solutions either deploy additional physical cameras requiring training-inference camera parity, or rely on explicit 3D reconstruction with high computational cost. Moreover, both approaches rely on standard agent-view and wrist-view observations, while failing to capture occlusion information and future scene evolution. To this end, we propose UniviewVLA, a unified multiview Vision-Language-Action model with world modeling, which infers multiview scene evolution for action prediction from only standard two-camera observations. We demonstrate that by leveraging generated multiview future views from the world model, UniviewVLA reveals occluded cues and models future scene evolution, improving action prediction and removing the need for extra hardware or explicit reconstruction. Besides, to accelerate inference while preserving prediction accuracy, UniviewVLA develops Motion-Informative Token Compression, which compresses each generated view from 625 to 16 tokens and reduces per-view latency from 6-7s to 0.2-0.3s. UniviewVLA also proposes training-free Action-Entropy View Selection, which dynamically identifies the most action-informative view at different inference stages. Extensive experiments show that UniviewVLA achieves 95.8% on LIBERO and 4.60 on CALVIN ABCD to D, both standard occlusion-free benchmarks. On customized occlusion-focused tasks, it improves success rate from 40.0% to 73.3%, and average real-robot success rate by 33.4 points, demonstrating stronger occlusion-focused performance without sacrificing standard occlusion-free benchmarks.

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

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