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/強化学習arXiv:2608.01013

新規ロボット形態に対するOpenVLA-OFTのRLブートストラッピング

RL Bootstrapping of OpenVLA-OFT for a Novel Robot Embodiment

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みのVLAポリシーを、デモデータなしでケーブル駆動パラレルロボットに適応させるため、シミュレーション内でPPOとGRPOを用いた強化学習を行い、指示成功率を向上させた。

詳しい要約

1. どんなもの?

本研究は、事前学習済みのvision-language-action (VLA) ポリシーであるOpenVLA-OFTを、ケーブル駆動パラレルロボット (CDPR) という新規なロボット形態に適応する問題を扱う。従来のデモンストレーションを用いた教師あり微調整ではなく、シミュレーション内での強化学習 (RL) のみを用いて、ゼロデモでembodiment alignmentを達成しようとする。具体的には、PPOによる方向性動作プリミティブの学習後、GRPOによる拡張命令空間での学習を行う2段階訓練を提案している。

2. 先行研究と比べてどこがすごい?

先行研究のOpenVLAやOpenVLA-OFTは、embodiment固有のデモンストレーションデータセットを必要とし、主に標準的な剛体アームに適用されていた。本研究は、カスタムロボットであるCDPRに対して、embodiment固有のデータセットを一切使用せず、RLのみでブートストラップする点が新しい。特に、制御インターフェースが未見であり、形態が大きく異なる状況でのゼロデモ適応を試みる点が先行研究と比べて挑戦的で優れている。

3. 技術・手法の肝は?

手法の核は、シミュレータの状態から計算される密な幾何学的報酬を用いた強化学習である。訓練は2段階で行われる。第1段階ではPPOを用いて方向性動作プリミティブ(例: move left, move backward)を学習する。第2段階では、PPOのチェックポイントからGRPOを継続し、オブジェクト条件付きコマンド(例: move to <object>)を含む拡張命令空間で学習する。これにより、言語条件付きコントローラを新規embodimentに対して構築する。

4. どうやって有効だと検証した?

有効性は、4つの共有方向命令に対する平均held-out成功率で検証された。PPO後は34.25%だったが、PPO→GRPO後は53.50%に向上した。特に'move left'と'move backward'で大きな改善が見られた。また、GRPO段階では8つのターゲットオブジェクトに対する'move to <object>'命令を導入し、厳密な成功率は39/400 = 9.75%であった。質的なロールアウトでは、後期の不安定性の前に、ターゲット方向への接近行動が頻繁に見られた。

5. 議論はある?

議論として、結果はまだ堅牢なマニピュレーションを確立するには至っていないが、RLのみのブートストラップが真に新規なembodimentに対して最初の使用可能な言語条件付きコントローラを生成できるという証拠を提供している。また、GRPO段階での後期不安定性が指摘されており、訓練の安定性に関する課題が残る。さらに、成功率はまだ低く、実用的な応用にはさらなる改善が必要である。

6. 次に読むべき論文は?

要旨からは、次に読むべき論文として、OpenVLAやOpenVLA-OFTの元論文、およびPPOやGRPOの強化学習アルゴリズムに関する論文が挙げられる。また、VLAポリシーの新規embodimentへの適応に関する関連研究や、ケーブル駆動ロボットの制御に関する研究も関連する。具体的には、OpenVLAの論文、OpenVLA-OFTの論文、PPOの論文、GRPOの論文が考えられる。

※ 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: Damir Nurtdinov, Alexei Kornaev, Alexander Maloletov

分類: cs.RO

原文アブストラクト

Adapting a pretrained vision-language-action (VLA) policy to a new robot usually assumes embodiment-specific demonstrations. This assumption is especially restrictive for custom robots whose morphology differs strongly from the manipulators seen in large robot datasets. We study a harder setting: zero-demo embodiment alignment of OpenVLA-OFT on a cable-driven parallel robot (CDPR) with a simple gripper and a previously unseen control interface. Instead of supervised fine-tuning, we use reinforcement learning in simulation with dense geometric rewards computed from simulator state. The training is performed in two stages: a PPO stage for directional motion primitives, followed by GRPO continuation from the PPO checkpoint with an expanded instruction space that includes object-conditioned commands. On the four shared directional instructions, the average held-out success rate improves from 34.25\% after PPO to 53.50\% after PPO$\rightarrow$GRPO, with especially large gains on \texttt{move left} and \texttt{move backward}. In the GRPO stage we additionally introduce \texttt{move to <object>} over eight target objects and obtain 39/400 = 9.75\% strict success, while qualitative rollouts frequently show correct target-directed approach behavior before late-stage instability. Compared with prior OpenVLA and OpenVLA-OFT results, which rely on demonstration datasets and mostly standard rigid-arm embodiments, our method uses no embodiment-specific dataset at all. The results do not yet establish robust manipulation, but they provide stronger evidence that RL-only bootstrapping can create the first usable language-conditioned controller for a genuinely novel embodiment.

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