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/両腕操作arXiv:2607.01212

FurnitureVLA: 視覚言語行動モデルによる長期的両腕家具組立の学習

FurnitureVLA: Learning Long-Horizon Bimanual Furniture Assembly with Vision-Language-Action Model

シェア:XThreadsFacebookLINEはてブBluesky

実規模の両腕ロボットによる家具組立を、視覚言語行動モデル(VLA)を用いて初めて体系的に研究し、進捗信号を統合したVLAを提案してシミュレーション成功率を大幅に向上させた。

詳しい要約

1. どんなもの?

FurnitureVLAは、実規模の二人羽織(bimanual)家具組み立てをVision-Language-Action models (VLAs)を用いて体系的に研究した最初のシステムである。タスクの形式化、専門家データ生成と評価のためのスケーラブルなシミュレーションパイプライン、単一オペレータによる二人羽織制御のためのVRテレオペレーションシステムを開発した。最大7つのサブタスクと1550の制御ステップからなる極端な長期的組み立てに対処するため、意味的に接地されたサブタスクでファインチューニングされたprogress-enhanced VLAを提案し、アクションと連続的な進捗信号を共同で予測することで、自動的なサブタスク遷移を可能にし、推論中の累積誤差を低減する。

2. 先行研究と比べてどこがすごい?

既存のロボット家具組み立て研究は、おもちゃ規模の設定や単腕操作に焦点を当てている。FurnitureVLAは、実規模の二人羽織家具組み立てをVLAで扱う最初の体系的研究であり、長期的なタスクにおける進捗信号の導入と設計要因の研究により、シミュレーション成功率をベースラインの48%から80%へ大幅に向上させた点が優れている。

3. 技術・手法の肝は?

手法の肝は、progress-enhanced VLAである。これは、サブタスクの意味的接地に基づいてファインチューニングされ、アクションと連続的な進捗信号を共同で予測する。進捗信号により自動的なサブタスク遷移が可能となり、累積誤差を低減する。また、実規模組み立ての精度に影響する知覚と制御の設計要因(perception and control design factors)を研究し、それらを最適化している。

4. どうやって有効だと検証した?

3種類の家具に対して、シミュレーションでベースラインと比較し、平均成功率を48%から80%に向上させた。さらに、設計要因の研究により追加で21%の向上を得た。実機ではKinova Gen3プラットフォームを用いて検証し、最も難しいタスクで成功率の低下はわずか16%であった。

5. 議論はある?

要旨からは、実機での成功率低下(16%ドロップ)がシミュレーションと実世界のギャップを示唆しているが、その原因や限界についての詳細な議論は不明。また、進捗信号の設計や設計要因の一般性、他のタスクへの適用可能性については要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、Vision-Language-Action models (VLAs)の基礎研究、ロボット家具組み立ての既存研究(おもちゃ規模や単腕)、および二人羽織操作の研究が挙げられる。具体的には、VLAの代表的なモデル(例:RT-2, OpenVLA)や、bimanual manipulationの研究、furniture assemblyのベンチマーク(例:IKEA Assembly)などが関連する。

※ 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: Chenyang Ma, Yue Yang, Radu Corcodel, Siddarth Jain, Andrew Wu, Chiori Hori, Diego Romeres

分類: cs.RO, cs.AI

原文アブストラクト

Current work on robot furniture assembly mostly focuses on toy-scale settings or single-arm manipulation. We introduce FurnitureVLA, the first systematic study of real-scale bimanual furniture assembly using Vision-Language-Action models (VLAs). We formalize the task, develop a scalable simulation pipeline for expert data generation and evaluation, and build a VR teleoperation system for single-operator bimanual control to collect high-quality real-world demonstrations. To address extreme long-horizon assembly with up to 7 subtasks and 1550 control steps, we propose a progress-enhanced VLA, finetuned on semantically grounded subtasks, that jointly predicts actions and a continuous progress signal, enabling automatic subtask transitions and reducing compounding errors during inference. We further study perception and control design factors that critically affect precision in real-scale assembly. FurnitureVLA improves average simulation success from 48% to 80% compared to baselines across three furniture types, with an additional 21% gain from our design factor study. We validate on a real Kinova Gen3 platform with only 16% drop on the hardest task.

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