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:2607.23784

言葉は長く語る:言語によるロボットポリシー合成のガイド

A Few Words Go a Long Way: Language Guided Robot Policy Synthesis

シェア:XThreadsFacebookLINEはてブBluesky

この論文では、ロボットのポリシー獲得を対話的なプログラム合成タスクとして扱うフレームワーク「ARCHITECT」を提案し、人間の自然言語による修正をコードに反映し、再利用可能なスキルライブラリを構築することで、長期的なタスクでの性能向上と人間の介入削減を実現しています。

詳しい要約

1. どんなもの?

本論文は、ロボットのポリシー獲得を対話的なプログラム合成タスクとして扱うフレームワーク「ARCHITECT」を提案している。LLMコーディングエージェントの推論能力を活用し、知覚・制御ツール群を用いるモジュール式ロボットプログラムを合成する。人間の監督者が自然言語で修正を与え、その修正はプログラム実行トレースに基づいてポリシーコードに反映され、再利用可能なスキルライブラリに蓄積される。これにより、解釈可能で適応・修正が容易なポリシーを実現する。

2. 先行研究と比べてどこがすごい?

従来のVision-Language-Action (VLA)モデルはゼロショット操作能力を示すが、ブラックボックスであり解釈・適応・修正が困難で、分布シフトにより予測不能な連鎖的失敗を起こす。一方、ARCHITECTはモジュール式アーキテクチャにより、ユーザーが失敗を特定し、必要な抽象度でフィードバックを局所化できる。また、プログラム合成ベースラインと比較して、長期的な文脈内学習によりスキルライブラリを蓄積し、人間の介入を減らしながら新しいタスクへ転移できる点が優れている。

3. 技術・手法の肝は?

手法の核は、LLMコーディングエージェントを用いた対話的なプログラム合成である。具体的には、人間の監督者が自然言語で修正を与え、それをプログラム実行トレースに基づいてポリシーコードに反映する。修正はスキルライブラリに蒸留され、長期的な文脈内学習として機能し、エージェントは再利用可能で解釈可能な行動のレパートリーを蓄積する。これにより、ブラックボックスモデルとは異なり、失敗の局所化と抽象度に応じたフィードバックが可能となる。

4. どうやって有効だと検証した?

Franka Pandaロボットを用いたベンチマーク評価で、複雑な長期的タスク(関節物体操作や布折りなど)において、ARCHITECTが最先端のVLAモデルやプログラム合成ベースラインを上回る性能を示した。また、合成されたスキルライブラリにより、新しいタスクへの転移が可能で、人間の介入が減少することを実証した。

5. 議論はある?

要旨からは、議論の詳細は不明であるが、提案手法がデータ効率的でステアラブルな代替手段を提供する一方で、モジュール式プログラムの設計やLLMエージェントの推論に依存するため、その限界や適用範囲に関する議論が考えられる。また、スキルライブラリの蓄積による長期的な学習の効果や、人間の介入の質が性能に与える影響なども議論の対象となり得るが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている研究は、Vision-Language-Action (VLA)モデルとプログラム合成ベースラインである。具体的な論文名は不明だが、VLAモデルの代表例としてRT-2やOpenVLA、プログラム合成ではVoxPoserやSayCanなどが関連する。また、LLMコーディングエージェントの応用として、Code as Policiesも関連する。次に読むべき論文としては、これらの基盤となった研究が挙げられる。

※ 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: Daphne Chen, Archit Ritesh Jain, Eric Goossen, Emma Romig, Michael Murray, Nick Walker, Maya Cakmak

分類: cs.RO, cs.AI

原文アブストラクト

While vision-language-action models have demonstrated impressive zero-shot manipulation capabilities, they remain fundamentally black box policies that are difficult to interpret, adapt, or correct when they inevitably fail. In this work, we propose ARCHITECT, a framework that treats robot policy acquisition as an interactive program synthesis task. ARCHITECT leverages the reasoning capabilities of LLM coding agents to synthesize modular robot programs that utilize a suite of perception and control tools. Unlike end-to-end models where distribution shift leads to unpredictable, cascading failures, our modular architecture allows users to isolate failures and localize feedback at the level of abstraction required. We introduce an iterative process where a human supervisor provides natural language corrections to steer the policy. These corrections are grounded in the policy code by program execution traces and distilled into a persistent skill library, a form of long-term in-context learning which enables the agent to accumulate a repertoire of reusable, interpretable behaviors. In a benchmark evaluation on a Franka Panda robot, ARCHITECT outperforms state-of-the-art VLA models and program synthesis baselines on complex, long-horizon tasks, including articulated object manipulation and cloth folding. Our results demonstrate that the synthesized skill library enables the system to transfer to novel tasks with decreasing human intervention, providing a steerable and data-efficient alternative to black-box robot learning. Website: https://robo-architect.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