日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

移動操作arXiv:2607.13653

探索・対話・展開可能:オープンワールド移動操作のための視覚駆動型具現化エージェント

Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

実世界展開可能な移動操作エージェントのためのフレームワークREALを提案し、シミュレーションと実機のギャップを埋める環境とベンチマークを構築、物理ロボットで高い成功率を達成した。

詳しい要約

1. どんなもの?

本論文は、実世界のオープンワールド移動操作タスクのためのエージェントフレームワークREALを提案している。REALは、能動的探索、視覚的グラウンディング、対話による意図の曖昧性解消を統合し、シミュレーションと実世界の一貫した環境APIを提供する。また、REAL-Benchという241タスクからなるベンチマークを導入し、物理的双腕移動ロボットへの展開と評価を行っている。

2. 先行研究と比べてどこがすごい?

既存のフレームワークは、特権的なシミュレータ状態に依存したり、完全な指示を前提としたりして、実展開の課題を回避している。REALは、オラクル知覚なしでシミュレーションと実世界の一貫したAPIを確立し、人間参加型の対話を可能にするシミュレーションユーザーを統合することで、実展開のギャップを埋める点が新しい。

3. 技術・手法の肝は?

手法の肝は、シミュレーションと実世界で一貫した環境APIを設計し、オラクル知覚に依存しないこと。さらに、多様なタスク構成でデータ収集、教師ありファインチューニング、オンライン強化学習を段階的に行う階層的トレーニングパイプラインを採用している。また、能動的探索、視覚的妨害、関節操作、対話的曖昧性解消を含むタスクを設計し、エージェントのツール使用能力とオープンボキャブラリ推論を整合させる。

4. どうやって有効だと検証した?

REAL-Bench(241タスク)で評価し、対話的タスクにおいて商用のクローズドソースVLMを上回る56.9%の成功率を達成。さらに、物理的双腕移動ロボットで60エピソードの実世界評価を行い、78.3%のエンドツーエンド成功率を達成し、未見の家庭シナリオへのゼロショット転送が可能であることを示した。

5. 議論はある?

要旨からは、階層的トレーニングパイプラインがツール使用能力とオープンボキャブラリ推論を整合させる一方、拡張探索地平線下でのロバスト性を維持するという分析が示されている。しかし、具体的な限界や議論の詳細は要旨からは不明。

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、視覚言語モデル(VLM)を用いたembodied agentの研究や、シミュレーションから実世界への転移(sim-to-real)に関する論文が挙げられる。具体的には、VLMを活用した操作タスクの研究や、強化学習による移動操作の研究が関連する。

※ 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: Boyu Mi, Mengchen Ma, Yifei Yao, Xing Gao, Junting Chen, Yangzi Li, Zihou Zhu, Guohao Li, Zhenfei Yin, Tai Wang, Yao Mu, Jiangmiao Pang, Hanqing Wang

分類: cs.CV, cs.RO

原文アブストラクト

Real-world deployment of embodied agents requires active exploration, visual grounding, and interactive intent disambiguation. However, existing frameworks often rely on privileged simulator states or assume complete instructions, bypassing realistic deployment challenges. To bridge this gap, we present REAL, an agentic framework for open-world mobile manipulation. REAL establishes sim-to-real-consistent environment APIs without oracle perception and integrates a simulated user to enable human-in-the-loop interaction. Within this environment, we design diverse task compositions to drive data collection, supervised fine-tuning, and online reinforcement learning, systematically optimizing agent performance. To comprehensively evaluate this approach, we introduce REAL-Bench, a benchmark spanning 241 tasks across active exploration, visual distraction, articulated manipulation, and interactive disambiguation. Experimental results demonstrate that our trained agent outperforms leading commercial closed-source VLMs on interactive tasks with a 56.9% success rate. Further empirical analysis reveals that our hierarchical training pipeline successfully aligns the model's tool-use capabilities while maintaining robust open-vocabulary reasoning under extended exploration horizons. Finally, we deploy and evaluate our framework on a physical dual-arm mobile robot, where it achieves a 78.3% end-to-end success rate over 60 real-world episodes. These physical trials demonstrate robust zero-shot transferability to unseen household scenarios, validating that our sim-to-real-consistent design successfully bridges the reality gap for long-horizon mobile manipulation. Code is available at https://github.com/InternRobotics/REAL.

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