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:2607.06018

RoboTALES: タスク整合的なシミュレート未来による推論誘導型ロボットポリシーの学習

RoboTALES: Learning Reasoning-Guided Robot Policies via Task-Aligned Simulated Futures

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みビデオ生成モデルをロボット制御に活用する際、想像した未来がタスク意図からずれたり、行動条件付けが不確実になる問題を解決するため、階層的LLMプランナーとVLM批評家を用いてタスク整合的な未来を生成し、ロボットポリシーを学習する単一フレームワークを提案した。

詳しい要約

1. どんなもの?

RoboTALESは、事前学習済みのビデオ生成モデルを基盤としつつ、タスク整合的なシミュレート未来(simulated futures)を生成してロボットポリシーを訓練する単一ステージのフレームワークである。複雑なタスクをサブゴールに分解する階層的LLMベースのプランナーと、生成された未来を評価して報酬ベースのフィードバックを与えるVLMベースの批評家を導入し、ビデオ生成器を抽象的な推論に固定することで、時間的に一貫したロールアウトとより整合的な行動を実現する。

2. 先行研究と比べてどこがすごい?

従来のビデオ生成モデルを利用した視覚運動制御では、想像された未来がタスクの意図から逸脱しやすく、行動条件付けが不確実であるという問題があった。RoboTALESは、LLMによる階層的プランニングとVLMによる批評的フィードバックを統合することで、生成される未来をタスク目標に整合させ、長期的なタスクでの性能を向上させた点が新しい。

3. 技術・手法の肝は?

手法の核は2つの革新にある。(1) 階層的LLMプランナー:複雑なタスクをサブゴールのシーケンスに分解し、ビデオ生成モデルの想像をガイドする。(2) VLMベースの批評家:生成された未来を評価し、報酬ベースのフィードバックを提供してモデルの内部表現を目標に集中させる。これにより、ビデオ生成器を抽象的な推論に固定し、時間的に一貫したロールアウトと行動を生成する。

4. どうやって有効だと検証した?

RoboCasaとLIBERO10の多様な操作タスクで評価し、既存手法と比較して、特に長期的なタスクにおいて一貫して優れた性能を示した。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。また、評価はシミュレーション環境に限定されており、実世界での検証は行われていない可能性が高い。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、RoboCasaとLIBERO10のデータセット、および事前学習済みビデオ生成モデルを用いた視覚運動制御の研究が挙げられる。具体的には、ビデオ生成モデルをポリシー抽出に用いる既存手法や、LLMを用いたタスクプランニング、VLMを用いた報酬設計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: Hanan Gani, Tejal Kulkarni, Madhoolika Chodavarapu, Nicklas Hansen, Manmohan Chandraker

分類: cs.RO

原文アブストラクト

Pretrained video generative models are promising backbones for visuomotor control, but their imagined futures often drift from task intent and are not reliably action-conditional. As a result, these models can be difficult to use for planning or policy extraction. To address these limitations, we propose RoboTALES, a single-stage framework that learns task-aligned simulated futures and uses them to train robot policies. Our approach introduces two key innovations: (1) a hierarchical LLM-based planner that breaks complex tasks into a sequence of subgoals to guide the model's imagination; and (2) a VLM-based critic that evaluates these ``imagined'' futures and uses reward-based feedback to keep the model's internal representations focused on the goal. By anchoring the video generator in abstract reasoning, we produce temporally consistent rollouts and more coherent actions. We evaluate RoboTALES on diverse manipulation tasks from RoboCasa and LIBERO10, and show that our method consistently outperforms existing methods, especially in long-horizon tasks. Our code and models are publicly available at https://github.com/hananshafi/RoboTALES.

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