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:2607.18236

パッチポリシー:高密度視覚表現による効率的な身体制御

Patch Policy: Efficient Embodied Control via Dense Visual Representations

シェア:XThreadsFacebookLINEはてブBluesky

Vision Transformerの事前学習済みパッチ特徴を直接利用する軽量なロボットポリシーを提案し、グローバル表現や大規模VLAを凌ぐ性能を達成した。

詳しい要約

1. どんなもの?

Patch Policyは、ロボット学習において、Vision Transformer (ViT)で事前学習された高密度なパッチ特徴量を直接利用できるようにする、最小限のアーキテクチャ拡張を提案する。従来のポリシーは観測を単一のグローバルトークンに圧縮するか、スクラッチから学習した視覚バックボーンに依存していたが、Patch Policyはブロック因果的アテンションマスクを導入することで、計算オーバーヘッドを増やさずに、各観測の多数のパッチトークンにアテンションできるようにする。これにより、軽量で高速かつ高精度な制御を実現する。

2. 先行研究と比べてどこがすごい?

先行研究では、事前学習された密な視覚特徴はロボット学習で十分に活用されていなかった。グローバルトークンへの圧縮は空間的詳細を失い、スクラッチ学習は大規模事前学習の利点を失う。また、密なパッチ特徴を扱う大規模視覚言語行動モデル (VLA) は、数十億パラメータのVLMバックボーンを必要とし、重くて遅い。Patch Policyは、フルVLMを使わずに密な事前学習パッチトークンを直接消費できるようにし、軽量で高速な点が優れている。

3. 技術・手法の肝は?

手法の核心は、ブロック因果的アテンションマスクの導入である。これは、標準的なポリシーの時間的因果性を保ちながら、モデルが各観測の多数のパッチトークンと他の状態情報にアテンションできるようにする。このマスクにより、トランスフォーマーベースのポリシーが、計算コストを増やさずに密な事前学習パッチトークンを処理できる。

4. どうやって有効だと検証した?

4つのシミュレーション環境と3つの実世界環境スイートで検証した。その結果、最先端のグローバルプール表現を用いたポリシーと比較して、相対40%の改善を達成した。さらに、微調整されたOpenVLA-OFTを18%上回りながら、パラメータ数は約0.7%である。

5. 議論はある?

要旨からは、議論の余地や限界についての詳細は不明。ただし、Patch Policyが視覚表現学習の進歩をロボットコミュニティが容易に活用できるパイプラインを提供するという主張は、今後の研究で検証されるべき点である。

6. 次に読むべき論文は?

要旨で参照されているOpenVLA-OFTや、関連する大規模視覚言語行動モデル (VLA)、およびVision Transformer (ViT)の事前学習手法に関する論文が挙げられる。具体的には、OpenVLAの元論文や、視覚表現学習の進歩に関する研究が関連する。

※ 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: Gaoyue Zhou, Zichen Jeff Cui, Ada Langford, Bowen Tan, Yann LeCun, Lerrel Pinto

分類: cs.RO, cs.LG

原文アブストラクト

Pretrained dense visual features from Vision Transformers (ViTs) are powerful yet have been underutilized in robot learning. Modern robot policies either compress each observation into a single global token, or rely on visual backbones trained from scratch, sacrificing both fine-grained spatial detail and the benefits of large-scale visual pre-training. While there exist policies that do operate on dense patch features like large vision-language-action models (VLAs), they tend to be heavy and slow, inheriting the full cost of a billion-parameter vision-language model (VLM) backbone. We close this gap with Patch Policy, a minimal architectural extension that enables transformer-based policies to consume dense pre-trained patch tokens directly without the computational overhead of a full VLM. At its core is a block-causal attention mask that preserves the temporal causality of standard policies while letting the model attend over many patch tokens per observation, alongside other state information. Patch Policy is lightweight, fast, and highly effective. Across four simulated and three real-world environment suites, our method achieves a 40% relative improvement over policies using state-of-the-art global-pooled representations. Furthermore, it surpasses fine-tuned OpenVLA-OFT by 18% while using roughly 0.7% of the parameters. We believe Patch Policy provides a pipeline for the robotics community to readily leverage continuing progress in visual representation learning, without sacrificing the training efficiency or inference speed required for high-frequency, reactive control. Videos can be viewed at https://patch-policy.github.io

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI