日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作arXiv:2607.10504

SUREFlow: 状態空間不確実性を考慮した残差フローマッチングによるロバストなロボット操作

SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作のための生成ポリシーに、状態空間モデル(Mamba)を用いて残差フローマッチングと入力依存の不確実性推定を導入し、ノイズや部分観測下でのロバスト性を向上させた。LIBEROで92.5%の成功率を達成し、大規模VLAに匹敵する性能を少ないパラメータで実現した。

詳しい要約

1. どんなもの?

SUREFlowは、ロボット操作のための生成型vision-language-actionポリシーを強化するフレームワークである。Mambaバックボーン上に構築されたstate-space uncertainty-aware residual flow matchingを提案し、action velocitiesとinput-dependent residual uncertaintyを同時に予測する。これにより、環境フィードバックなしで信頼性の低いaction dimensionsを選択的に改善し、計算効率を維持しつつ、ノイズや部分観測、確率的初期条件に対する堅牢性を向上させる。

2. 先行研究と比べてどこがすごい?

既存の拡散ベースやフローベースのポリシーは、残差が等分散であると仮定し、action生成内で明示的な不確実性モデリングを欠いているため、反復的なロールアウト中の堅牢性が制限される。SUREFlowは、入力依存の残差不確実性を導入し、不確実なaction dimensionsを選択的に洗練することで、これらの限界に対処する。また、MambaベースのMaILと比較してLIBEROで34.2%の成功率向上を達成し、大規模VLAと同等の性能をはるかに少ないパラメータで実現する。

3. 技術・手法の肝は?

手法の核心は、Mambaバックボーンを用いたstate-space uncertainty-aware residual flow matchingフレームワークである。action velocitiesと入力依存の残差不確実性を共同で予測し、不確実性に基づいてaction dimensionsを選択的に洗練する。これにより、環境フィードバックなしで信頼性の低い次元を改善し、計算効率を維持する。

4. どうやって有効だと検証した?

LIBEROベンチマークで評価し、平均成功率92.5%を達成し、MambaベースのMaILを34.2%上回った。また、LIBERO-PROでは約49%の成功率を179Mパラメータのみで達成し、3-7Bパラメータの大規模VLAと同等の性能を示した。

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。ただし、不確実性モデリングの利点が強調されているが、計算オーバーヘッドや他のベンチマークでの汎用性については言及されていない。

6. 次に読むべき論文は?

要旨で参照されている研究は、MambaベースのMaIL、拡散ベースのポリシー、フローベースのポリシー、大規模VLA(3-7Bパラメータ)などである。次に読むべき論文としては、これらの関連手法の詳細を扱った論文が挙げられる。

※ 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: Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

分類: cs.RO

原文アブストラクト

Generative vision-language-action policies have advanced robot manipulation, but they often exhibit instability under noise, partial observability, and stochastic initial conditions. During extended rollouts, small velocity errors accumulate, degrading execution reliability. Existing diffusion and flow-based policies typically assume homoscedastic residuals and lack explicit uncertainty modeling within action generation, limiting robustness during iterative rollout. We propose SUREFlow, a state-space uncertainty-aware residual flow matching framework built on a Mamba backbone. The method jointly predicts action velocities and input-dependent residual uncertainty, enabling selective refinement of unreliable action dimensions without environment feedback while preserving computational efficiency. On LIBERO, SUREFlow achieves 92.5% average success rate (SR), outperforming the Mamba-based MaIL by 34.2%. On LIBERO-PRO, it attains around 49% SR using only 179M parameters, achieving performance comparable to large VLAs with 3-7B parameters. SUREFlow source code is available on: https://github.com/tanvirnwu/SUREFlow

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. 2newmo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
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

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