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:2608.03563

統一視覚運動ターゲット:物理的行動を超えたVLAの教師信号

Unified Visuomotor Targets: Supervising VLAs Beyond Physical Actions

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの予測ターゲットを、物理的な行動だけでなく視覚的なシーン遷移情報も含む統一潜在表現に変更し、追加データやアーキテクチャ変更なしで学習効率と性能を向上させる手法を提案した。

詳しい要約

1. どんなもの?

本論文は、VLA (Vision-Language-Action) モデルの学習において、予測ターゲットを物理的なロボット動作(アクション)から、運動制御と視覚的なシーン遷移情報を統合した潜在表現(Unified Visuomotor Target, UVT)に変更する手法を提案している。アーキテクチャの変更や追加データを必要とせず、シミュレーションベンチマークと実機の双腕マニピュレーションタスクにおいて、学習効率、最終的なタスク性能、ロバスト性の向上を示している。

2. 先行研究と比べてどこがすごい?

従来のVLAモデルは、視覚と言語の観測からロボットのアクションを直接予測するように訓練されるが、これはVLMが持つ高次のシーンやゴールの表現と、低次元でタスク構造が限られたアクションとの間にミスマッチを生じる。本研究は、アーキテクチャを変更するのではなく、予測ターゲットを変更することで、このミスマッチを解消し、より効率的で高性能なポリシーを学習できる点が新しい。

3. 技術・手法の肝は?

手法の核は、物理的なアクションに代わる統一的な潜在予測ターゲット(UVT)を導入することである。UVTは、運動制御情報と視覚的なシーン遷移情報を同時にエンコードする。具体的な実装は要旨からは不明だが、アーキテクチャ変更や追加データを必要とせず、既存のVLAシステムに適用可能である。

4. どうやって有効だと検証した?

有効性の検証は、2つの代表的なVLAシステムを用いて、シミュレーションベンチマークと実機の双腕マニピュレーションタスクで行われた。その結果、UVTは学習効率、最終的なタスク性能、ポリシーのロバスト性を向上させ、特に限られた学習予算や困難な環境条件において顕著な改善が見られた。

5. 議論はある?

要旨からは、UVTがなぜ有効であるかの理論的な分析や、限界、他のタスクへの適用可能性などについての議論は不明である。また、UVTの具体的な定義や学習方法の詳細も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている先行研究や関連手法は明示されていないが、VLAモデルやVLMの表現学習に関する研究が関連する。具体的には、Vision-Language-Actionモデルの基盤となる研究や、潜在表現を用いたロボットポリシー学習の研究が考えられる。

※ 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: Zhenyang Feng, Unnat Jain

分類: cs.RO

原文アブストラクト

VLA models are trained to predict robot actions from visual and language observations. This is a natural choice, but it creates a mismatch: VLMs encode rich, high-level representations of scenes and goals, while robot actions are low-level signals with limited task structure. We ask whether changing what the policy is trained to predict, rather than how it is architecturally designed, can yield better and more efficiently trained policies. We propose UVT (Unified Visuomotor Target), a unified latent prediction target that jointly encodes motor control and visual scene transition information, requiring no architectural changes and no additional data. Applied to two representative VLA systems across simulation benchmarks and real bimanual manipulation tasks, UVT improves training efficiency, final task performance, and policy robustness, with particularly strong gains under limited training budgets and challenging environmental conditions. Rollout videos and additional qualitative results are available at our project webpage: https://unified-visuomotor-targets.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. 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

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