日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

計画arXiv:2607.08024

APIVOT: 視覚と言語の思考を適応的に交互配置する長期的計画手法

APIVOT: Adaptive Planning with Interleaved Vision-Language Thoughts

シェア:XThreadsFacebookLINEはてブBluesky

長期的なロボット計画において、言語による意味推論と視覚による幾何学的検証を適応的に交互に行うVLMベースのプランナーを提案し、キッチンタスクで性能を向上させた。

詳しい要約

1. どんなもの?

APIVOTは、長期的なロボットプランニングのためのVLMベースのプランナーであり、言語思考と視覚思考を適応的に交互に使用する。意味的タスク構造と幾何学的実現可能性の両方を考慮し、キッチンタスクなどの長期的な計画を実行する。

2. 先行研究と比べてどこがすごい?

従来のVLMやプランニングフレームワークは、言語のみまたは視覚のみの推論に依存し、空間的制約を考慮することが難しかった。APIVOTは、言語と視覚の思考を適応的に交互に使用することで、空間的に制約された環境での性能を大幅に向上させ、一般目的のVLMや先行プランニングフレームワークを上回る。

3. 技術・手法の肝は?

APIVOTは、VLMを基盤とし、タスクの意味的推論には言語思考を、幾何学的実現可能性の内部検証には視覚思考(想像上の未来状態)を使用する。適応的なモダリティ選択メカニズムを学習し、タスクの状況に応じて言語と視覚の思考を交互に生成する。

4. どうやって有効だと検証した?

長期的なキッチンタスクにおいて、APIVOTを一般目的のVLMや先行プランニングフレームワークと比較し、特に空間的に制約された設定で最大の性能向上を達成した。また、APIVOTが意味のあるモダリティ選択行動を学習することを確認し、適応的な交互使用がプランニング成功率と推論効率を向上させることを示した。

5. 議論はある?

要旨からは、APIVOTの限界や潜在的な欠点についての議論は不明。また、適応的なモダリティ選択がどのように学習されるか、そのメカニズムの詳細や一般化可能性についての議論も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている先行研究や関連手法は明示されていないが、同分野の定番として、VLMベースのプランニング手法(例えば、SayCanやPaLM-Eなど)や、長期的なロボットプランニングのための階層的プランニング手法が考えられる。

※ 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: Emily Jin, Joy Hsu, Yiqing Xu, Weiyu Liu, Nick Haber, Jiajun Wu

分類: cs.CV, cs.AI, cs.LG, cs.RO

原文アブストラクト

Long-horizon robot planning requires jointly reasoning over semantic task structure and geometric feasibility. To successfully execute a task, a robot must decompose goals, select task-relevant objects, and sequence actions, while ensuring that plans satisfy spatial constraints such as limited free space and object collisions. In this work, we propose APIVOT, a VLM-based planner that adaptively interleaves language and visual thoughts for long-horizon planning. APIVOT learns to leverage language for semantic reasoning, while using visual thoughts as imagined future states for internal verification of geometric feasibility. On long-horizon kitchen tasks, APIVOT outperforms general-purpose VLMs and prior planning frameworks, achieving the largest gains in spatially constrained settings. We find that APIVOT learns meaningful modality selection behavior, demonstrating that adaptive interleaving of vision-language thoughts improves both planning success and reasoning efficiency.

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