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/ヒューマノイド移動arXiv:2606.25591

WOLF-VLA: 全身ヒューマノイド最適移動のための視覚言語行動学習フレームワーク

WOLF-VLA: Whole-Body Humanoid Optimal Locomotion Framework for Vision-Language-Action Learning

シェア:XThreadsFacebookLINEはてブBluesky

全身最適制御による動作生成と大規模マルチモーダルデータセットを統合し、自然言語指示から直接ヒューマノイドの移動ポリシーを生成するVLAモデルを訓練する新しい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) モデルを全身の接触を伴う humanoid locomotion に適用する枠組み WOLF-VLA を提案。 - whole-body optimal-control (OC) による運動合成と大規模マルチモーダルデータセットを統合。 - 自然言語指示から直接 humanoid locomotion ポリシーを生成する VLA を訓練。 - 6つの locomotion 関連タスクファミリを含むデータセットを構築。 - データセット、モデルチェックポイント、ベンチマークシミュレーションスイートを公開予定。

2. 先行研究と比べてどこがすごい?

- 従来の VLA はロボットマニピュレーションで高い汎化を示すが、全身・接触リッチな humanoid locomotion への適用は未開拓。 - データ不足、動的に整合したデモの欠如、学習パイプラインでの最適性・安全性の符号化の困難さが課題。 - 本研究は whole-body OC 運動合成と大規模マルチモーダルデータセットを統合し、これらの課題に対処。 - 動的に実行可能な humanoid 軌道を体系的に生成し、再現可能なベンチマークを提供。

3. 技術・手法の肝は?

- whole-body optimal-control (OC) により動的に整合した humanoid 軌道を合成。 - 6つの locomotion 関連タスクファミリを環境変動、物体色、配置、視覚的妨害要因でパラメータ化。 - 収集した関節軌道、ego-centric 視覚観測、自然言語指示を用いて VLA モデルを訓練。 - 各モダリティの影響を系統的なアブレーション研究で評価。

4. どうやって有効だと検証した?

- 複数のタスクと環境設定で競争力のある性能を確認。 - 初期条件の変動に対する強い推論とロバスト性を示す。 - 系統的なアブレーション研究により各モダリティの影響を検証。 - ベンチマークシミュレーションスイートを構築し、再現可能な評価を可能に。

5. 議論はある?

- データ不足、動的に整合したデモの欠如、最適性・安全性の符号化の困難さが依然として課題。 - 各モダリティの寄与をアブレーションで分析。 - データセット、チェックポイント、ベンチマークを公開し、再現性と将来研究を促進。 - 詳細な議論や限界は要旨からは不明。

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、whole-body optimal-control (OC)、humanoid locomotion の定番研究が挙げられる。 - 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: Melya Boukheddimi, Omar Adjali, Daniel Sontag, Frank Kirchner

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have recently demonstrated strong generalization in robotic manipulation, yet their applicability to whole-body, contact-rich humanoid locomotion remains severely underexplored due to data scarcity, the absence of dynamically consistent demonstrations, and the difficulty of encoding optimality and safety in learning-based pipelines. This work introduces a unified framework WOLF-VLA that integrates whole-body optimal-control (OC) motion synthesis with large-scale multi-modal dataset to train VLAs capable of generating humanoid locomotion policies directly from natural-language instructions. We construct a comprehensive dataset of dynamically feasible humanoid trajectories across six locomotion-related task families, each parameterized by environmental variations, object colors, placements, and visual distractors. We train a VLA model using the collected joint trajectories, ego-centric visual observations and natural language instruction, yielding a policy that exhibits strong reasoning and robustness to initial-condition variability, and competitive performance across several tasks and environment settings. A systematic ablation study demonstrates the impact of each modality on the model performance. The full dataset, model checkpoints, and benchmarking simulation suite will be openly released, establishing a reproducible dynamically consistent benchmark for whole-body humanoid locomotion rich VLA control and enabling future research in scalable transfer of instruction-driven locomotion policies.

  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