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:2607.05377

Cortex: 長期的操作のための双方向整合型具現化エージェントフレームワーク

Cortex: A Bidirectionally Aligned Embodied Agent Framework for Long-horizon Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

高レベルVLMと低レベルVLAの間の計画ギャップを埋めるため、32の標準スキルプリミティブと実行可能性原則を導入し、4k時間以上のビデオデータと30時間のシミュレーションデータを自動生成して、長期的操作タスクを改善するフレームワークを提案した。

詳しい要約

1. どんなもの?

Cortexは、長期的な操作タスクを扱うための双方向に整列された具現化エージェントフレームワークである。高レベルのVLMと低レベルのVLAの間のギャップを埋めるために、カスタマイズされた計画インターフェースを提供する。具体的には、操作サブタスクを32の標準的なスキルプリミティブに標準化し、データ生成パイプラインに実行可能性の原則を注入する。これにより、4,000時間以上のオープンソースビデオデータの自動アノテーションと30時間のシミュレーションデータの生成が可能になる。

2. 先行研究と比べてどこがすごい?

従来のVLAモデルはマルコフ性に依存し、長期的なタスクでは困難を伴う。階層的なデュアルシステム手法はこの問題に対処するが、高レベルの計画意味論と低レベルの実行運動学の間にギャップがある。Cortexは、実行可能で扱いやすいサブタスク計画を高レベルVLMから低レベルVLAに伝達する双方向に整列されたフレームワークを導入することで、このギャップを埋める。

3. 技術・手法の肝は?

手法の肝は、操作サブタスクを32の標準的なスキルプリミティブに標準化し、代表的なオブジェクト属性や改善された軌道到達可能性などの扱いやすさの原則をデータ生成パイプラインに注入することである。さらに、サブタスク遷移中の計画の曖昧さを扱うために、イベントバランスサンプリング戦略を考案し、推論中のタスクコンテキストからスキル制約へのハーネスエンジニアリングを設計する。

4. どうやって有効だと検証した?

オープンループVLMとクローズドループシステムの両方の評価で有効性を検証した。例えば、Libero-longでモノリシックベースラインを3.1%、RoboTwinで4.1%上回った。さらに、Cortexの汎用VLMは、微調整されたVLAと組み合わせることで、未見の実世界の長期的タスク(多段階化学実験など)をゼロショットで完了できることを示した。

5. 議論はある?

要旨からは、議論や限界についての詳細は不明である。ただし、Cortexの有効性は示されているが、スキルプリミティブの標準化やデータ生成の自動化における潜在的な制約、実世界での一般化の限界などが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、Vision-Language-Action (VLA) モデルや階層的強化学習、模倣学習に関する論文が挙げられる。具体的には、RT-2やOctoなどのVLAモデル、SayCanなどの階層的手法、およびLiberoやRoboTwinなどのベンチマークに関する論文が関連する。

※ 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: Jiaqi Peng, Xiqian Yu, Delin Feng, Yuqiang Yang, Wenzhe Cai, Jing Xiong, Ganlin Yang, Jinliang Zheng, Jiafei Cao, Xueyuan Wei, Jiangmiao Pang, Yuan Shen, Tai Wang

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

While recent Vision-Language-Action (VLA) models show promise toward generalist manipulation policies, they struggle with long-horizon tasks due to their Markovian nature-relying solely on current observations. Hierarchical dual-system methods address this but suffer from a gap between high-level planning semantics and low-level execution kinematics. We introduce Cortex, a bidirectionally aligned embodied agent framework with a customized planning interface that conveys executable and tractable subtask plans from high-level VLM to low-level VLA. Specifically, we standardize manipulation subtasks into 32 canonical skill primitives and inject tractability principles, such as representative object attributes and improved trajectory reachability, into the data generation pipeline. This enables automatic annotation of over 4k hours of open-source video data and generation of 30 hours of simulation data. We further devise an event-balanced sampling strategy to construct training data for fine-tuning the framework to better handle planning ambiguity during subtask transitions, enhanced by carefully designed harness engineering from task contexts to skill constraints during inference. Both open-loop VLM and closed-loop system evaluations demonstrate Cortex's efficacy, e.g., it outperforms monolithic baselines by 3.1% on Libero-long and 4.1% on RoboTwin. Notably, Cortex's generalist VLM enables zero-shot completion of unseen real-world long-horizon tasks, such as multi-stage chemistry experiments, by simply combining with a fine-tuned VLA-a capability infeasible through VLA fine-tuning alone.

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