日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ロボット学習arXiv:2607.11397

WALA: 行動ラベル付きデモと行動フリー動画から実行可能な潜在行動を学習する

WALA Learning Executable Latent Actions from Action-Labeled Demonstrations and Action-Free Videos

シェア:XThreadsFacebookLINEはてブBluesky

行動ラベル付きデモと行動フリー動画の両方から実行可能な潜在行動を学習するフレームワークWALAを提案し、ロボットポリシーの性能と汎化性を向上させた。

詳しい要約

1. どんなもの?

WALAは、ロボットポリシー学習のためのフレームワークであり、行動ラベル付きデモンストレーションと行動ラベルのないビデオの両方から実行可能な潜在アクションを学習する。まず、ビデオから現在の観測と疎な未来の観測の間の進化をモデル化することで、意味的・幾何学的潜在アクションモデルを事前学習する。生のピクセルを再構成する代わりに、DINOv3特徴空間と高密度深度空間における未来の差分を予測し、タスク関連の意味的・幾何学的情報を保持しつつ、外観の詳細への感度を低減する。ポリシー学習中は、事前学習済みエンコーダが安定した潜在アクションターゲットを提供し、デコーダは訓練可能な潜在世界モデルとして機能する。視覚言語バックボーンによって生成された潜在アクションは、ロボットアクション予測、潜在アクションターゲットマッチング、将来ダイナミクス予測によって共同で教師される。これにより、行動ラベル付きデモンストレーションは実行可能な制御の教師信号を提供し、行動ラベルなしビデオはロボットアクションのアノテーションなしでダイナミクスの教師信号を提供する。

2. 先行研究と比べてどこがすごい?

従来の一般化可能なロボットポリシーは、高価でスケールが難しい行動ラベル付きロボットデモンストレーションに依存していた。一方、大規模な人間やロボットのビデオは豊富な物理的インタラクションを含むが、実行可能なロボットアクションラベルを欠くことが多い。WALAは、行動ラベル付きデモンストレーションと行動ラベルなしビデオの両方を活用することで、このギャップを埋める。特に、生のピクセル再構成ではなく、DINOv3特徴空間と深度空間での未来差分予測を用いることで、外観の詳細への過敏さを避けつつ、タスク関連の意味的・幾何学的情報を捉える点が新しい。また、潜在アクションをロボットアクション予測と将来ダイナミクス予測の両方で教師することで、ビデオからのダイナミクス学習と実行可能な制御の学習を統合している。

3. 技術・手法の肝は?

手法の肝は、まずビデオから潜在アクションモデルを事前学習すること。具体的には、現在の観測と疎にサンプリングされた未来の観測の間の進化をモデル化し、DINOv3特徴空間と高密度深度空間での未来差分を予測する。これにより、意味的・幾何学的構造を保持しつつ、外観の詳細への依存を減らす。ポリシー学習段階では、事前学習済みエンコーダが潜在アクションターゲットを提供し、デコーダは潜在世界モデルとして機能する。視覚言語バックボーンが生成する潜在アクションは、ロボットアクション予測、潜在アクションターゲットマッチング、将来ダイナミクス予測の3つの損失で共同で教師される。これにより、行動ラベル付きデータは実行可能な制御を、行動ラベルなしビデオはダイナミクスを提供する。

4. どうやって有効だと検証した?

実験では、RoboTwinベンチマークで強い性能を達成し、RoboCasaで平均成功率75.2%の新しい最先端結果を達成した。さらに、実世界の操作タスクにおいて、ポリシーの性能と一般化の両方が向上したことを示した。具体的な評価方法や比較ベースラインは要旨からは不明だが、これらのベンチマークと実世界実験での成功が有効性の検証となっている。

5. 議論はある?

要旨からは、潜在アクションの解釈可能性や、ビデオとデモンストレーションのデータ分布の違いが性能に与える影響などについての議論は不明。また、DINOv3特徴空間と深度空間の選択がどの程度重要か、他の特徴空間との比較なども要旨には含まれていない。さらに、実世界実験の詳細や、RoboCasaでの75.2%という成功率の統計的有意性なども不明。

6. 次に読むべき論文は?

要旨で参照されている研究は、DINOv3(自己教師あり視覚特徴)と、RoboTwinおよびRoboCasaベンチマークに関連する研究。次に読むべき論文としては、DINOv3の元論文、RoboTwinやRoboCasaのベンチマーク論文、および潜在アクションや世界モデルを用いたロボット学習の関連研究(例えば、TDMPCやLatent World Modelsなど)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: Jiahao Liu, Zhongpu Xia, Shuai Tian, Huangrui Li, Yuhang Zheng, Ning Ma, Xin Fu, Xiaotian Liu, Jing Li, Yixian Li, ShangQing Zhou, Zebin Xing, Linbo Wang, Chaoyue Li, Haoran Li, Dongbin Zhao

分類: cs.RO

原文アブストラクト

Generalizable robot policies typically rely on action-labeled robot demonstrations, which are expensive to collect and difficult to scale. In contrast, large-scale human and robot videos contain rich physical interactions but often lack executable robot action labels. We present WALA, a framework for learning executable latent actions from both action-labeled demonstrations and action-free videos. WALA first pretrains a semantic-geometric latent action model from videos by modeling the evolution between current observations and sparsely sampled future observations. Instead of reconstructing raw pixels, WALA predicts future deltas in the DINOv3 feature space and dense depth space, preserving task-relevant semantic and geometric structure while reducing sensitivity to appearance details. During policy training, the pretrained encoder provides stable latent action targets, and the decoder serves as a trainable latent world model. The latent actions generated by the vision-language backbone are jointly supervised by robot action prediction, latent action target matching, and future dynamics prediction. This enables action-labeled demonstrations to provide executable control supervision, while action-free videos contribute dynamics supervision without requiring robot action annotations. Experiments show that WALA achieves strong performance on RoboTwin, sets a new state-of-the-art result on RoboCasa with 75.2% average success, and improves both policy performance and generalization in real-world manipulation tasks.

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