日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/MoE/ルーティングarXiv:2607.26807

運動学で経路を決め、観察で行動する:MoE拡張VLAにおける運動学教師付きエキスパートルーティング

Route by Kinematics, Act by Observation: Kinematics-Supervised Expert Routing in MoE-Augmented VLA

シェア:XThreadsFacebookLINEはてブBluesky

MoEを備えたVLAモデルで、行動軌跡の運動学的クラスタリングに基づく教師信号でルーターを訓練し、推論時は観察のみでエキスパートを選択する手法KinRTを提案。DIYロボットプラットフォームを自作し、既存手法より20%以上高い性能を示した。

詳しい要約

1. どんなもの?

本論文は、MoE(Mixture of Experts)を拡張したVision-Language-Action(VLA)モデルにおけるルーティングの改善を提案する。MoEは専門家の特化によりVLAを強化するが、ルーターは操作タスク間の動作の運動学的異質性や、推論時に運動学信号が利用できないことから、非効率な専門家ルーティングに悩まされる。著者らは、意味的に異なる多くの操作タスクが複数の運動学的アーキタイプに帰着することを観察し、暗黙的で観察駆動の専門家ルーティングから、明示的で運動学ガイドの専門家ディスパッチングへのパラダイムシフトであるKinematics-supervised explicit routing(KinRT)を提案する。KinRTは、行動軌跡を運動学的にコヒーレントなグループにクラスタリングし、そのIDをルーターの訓練のための教師信号として使用する。推論時には、ルーターは視覚言語観察のみを使用して専門家をディスパッチし、行動運動学に依存しない。KinRTは、訓練時の行動空間から推論時の観察空間へのタスク運動学の蒸留を実現する非対称ブリッジング機構を導入する。さらに、ク…

2. 先行研究と比べてどこがすごい?

先行研究のMoE拡張VLAは、専門家の特化を利用するが、ルーターは運動学的異質性と推論時の運動学信号の欠如により非効率である。KinRTは、ルーターの訓練に運動学クラスタリングからの教師信号を使用する点で新規であり、暗黙の観察駆動ルーティングではなく、明示的な運動学ガイドのディスパッチングを導入する。これにより、推論時に運動学情報を必要とせず、観察のみで専門家を選択できる。また、DIYRobotプラットフォームを構築し、クロスプラットフォーム一般化を評価している点も先行研究と異なる。

3. 技術・手法の肝は?

手法の肝は、行動軌跡を運動学的にコヒーレントなグループにクラスタリングし、そのクラスタIDをルーターの訓練のための教師信号として使用することである。具体的には、運動学的クラスタリングを実行し、ルーターを教師付きで訓練する。推論時には、ルーターは視覚言語観察のみを使用して専門家をディスパッチする。これは、訓練時の行動空間から推論時の観察空間へのタスク運動学の蒸留を実現する非対称ブリッジング機構と見なせる。

4. どうやって有効だと検証した?

有効性の検証は、RoboTwinベンチマークと自作のDIYRobotプラットフォームで行われた。DIYRobotは3Dプリント技術を用いて2,000ドル未満で構築された。実験の結果、KinRTは高密度およびMoE特徴のVLAと比較して、RoboTwinで23.26%以上、DIYRobotで20.27%以上の優位性を示した。

5. 議論はある?

議論としては、要旨からは、KinRTのルーターが観察のみで運動学を蒸留できることの理論的保証や、クラスタリングの数や運動学的アーキタイプの定義に関する詳細は不明である。また、DIYRobotプラットフォームの評価が特定のタスクに限定される可能性や、実世界の多様なタスクへの一般化についてはさらなる検証が必要かもしれない。

6. 次に読むべき論文は?

要旨で参照されている研究は、MoE拡張VLA、RoboTwinベンチマーク、DIYRobotプラットフォームに関連するものである。次に読むべき論文としては、MoEをVLAに統合した先行研究(例:VLAモデルにおけるMoEの適用)、運動学クラスタリング手法、ロボット操作のための模倣学習、クロスプラットフォーム一般化に関する研究が挙げられる。具体的な論文名は要旨にないため、一般名で示す。

※ 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: Tianhang Yang, Yanze Zheng, Junjie Wang, Wei-Bin Kou, Ruotong Li, Yujiu Yang

分類: cs.RO

原文アブストラクト

While MoE augments VLA via expert specialization, router suffers from ineffective expert routing owing to the kinematic heterogeneity of actions across manipulation tasks and, even worse, the unavailability of the kinematic signals at inference time. In this work, we first observe that most semantically distinct manipulation tasks reduce to multiple kinematic archetypes. Motivated by this finding, we propose Kinematics-supervised explicit routing (KinRT), a new paradigm that shifts from implicit, observation-driven expert routing to explicit, kinematics-guided expert dispatching. Specifically, we perform kinematic clustering on action trajectories into multiple kinematically coherent groups, whose IDs serve as ground truth to supervise the training of the router; at inference time, the router dispatches experts only using visual-language observations, without any reliance on action kinematics. KinRT actually introduces an asymmetric bridging mechanism that distills the task kinematics from the action space in training into the observation space at inference. In addition, to assess KinRT's cross-platform generalization, we build an economical, Do-It-Yourself robot (DIYRobot) platform from scratch using 3D-print technology ($<$ 2,000USD). Extensive experiments demonstrate KinRT's superiority over both dense and MoE-featured VLAs by more than 23.26% on RoboTwin benchmark and 20.27% on our introduced DIYRobot platform. Our code and DIYRobot platform will be open-sourced.

  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. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI