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:2608.06729

AtlasVLA: 視覚言語行動モデルのための持続的な世界・自我状態モデリング

AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

単眼カメラのみで長期的なタスクを遂行できるよう、視覚言語行動モデルに持続的な世界状態メモリと自我作業メモリを導入し、空間推論とタスク進行の追跡を可能にした。

詳しい要約

1. どんなもの?

AtlasVLAは、Vision-Language-Action (VLA)モデルの新しいフレームワークであり、単一の手首カメラのみを使用する部分観測・長期的タスクにおける性能を向上させる。従来のVLAモデルは反応的(reactive)であり、物体が視界から外れると知覚を忘れ、多段階実行中にタスク進行を忘れる問題があった。AtlasVLAは、4D Persistent World State MemoryとEgo-Working State Memoryからなるデュアルメモリ構造を導入し、直接的な反応的操作から、持続的なworld-ego stateに基づくプロアクティブな推論へと移行する。これにより、視覚的な死角を解決し、空間的推論を強化する。

2. 先行研究と比べてどこがすごい?

先行研究のVLAモデルは、反応的パラダイムに基づき、単一の手首カメラからの観測に直接反応するため、部分観測や長期的タスクで知覚の忘却やタスク進行の忘却が生じる。AtlasVLAは、この根本的な制限に対処するため、持続的なworld-ego stateを導入し、直接的な反応からプロアクティブな推論へと移行する点が革新的である。また、デュアルメモリ構造により、視覚的な死角を解決し、タスク進行を追跡することで、単一の手首カメラのみでマルチビュー設定を凌駕する性能を達成している。

3. 技術・手法の肝は?

AtlasVLAの技術的な核心は、デュアルメモリ構造と、それに基づく拡散トランスフォーマー(DiT)の条件付けにある。具体的には、4D Persistent World State Memoryが、一時的な2D観測をグローバルに更新されるvoxel-hashed空間状態に変換し、視覚的な死角を解決する。Ego-Working State Memoryは、過去のego stateとタスク進行を追跡する。これらのメモリを統合したWorld-Ego stateをDiTに条件付けすることで、ロバストな空間推論を実現する。

4. どうやって有効だと検証した?

LIBERO、RLBench、および実世界のベンチマークで広範な評価を実施した。その結果、AtlasVLAは単一の手首カメラのみを使用して、state-of-the-artの性能を達成した。特に、LIBERO-Longでは絶対成功率が9.4%向上し、実世界の長期的タスクでは17.5%向上し、マルチビューのベースラインを明確に上回った。

5. 議論はある?

要旨からは、AtlasVLAの限界や潜在的な問題についての議論は不明である。ただし、提案手法が単一の手首カメラに依存しているため、カメラの視野や配置の変化に対するロバスト性や、メモリのスケーラビリティなどが今後の課題となる可能性が考えられるが、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関連研究として、Vision-Language-Action (VLA)モデル、拡散トランスフォーマー(DiT)、LIBERO、RLBenchなどが挙げられる。次に読むべき論文としては、これらの基盤となる研究や、VLAモデルの反応的パラダイムを改善する他の試みが考えられるが、具体的な論文名は要旨からは不明である。

※ 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: Guiyu Zhao, Longteng Guo, Yanghong Mei, Zilin Zhu, Yu Zhang, Bin Cao, Mingming Yu, Xingjian He, Jie Jiang, Jing Liu

分類: cs.RO, cs.CV

原文アブストラクト

While Vision-Language-Action (VLA) models have advanced embodied AI, their fundamentally reactive paradigm severely limits performance in partially observable and long-horizon tasks. When restricted to a single wrist-mounted camera, they inevitably suffer from perception forgetting as objects exit the field of view, and temporal task-progress forgetting} during multi-step execution. To overcome these bottlenecks, we propose AtlasVLA, a novel framework that transitions from direct reactive manipulation to proactive reasoning through a persistent world-ego state. AtlasVLA features a dual-memory architecture: a 4D Persistent World State Memory that lifts transient 2D observations into a globally updated, voxel-hashed spatial state to resolve visual blind spots, and an Ego-Working State Memory that tracks historical ego state and task progress. By conditioning a diffusion transformer (DiT) on this joint World-Ego state, AtlasVLA enables robust spatial reasoning. Extensive evaluations across LIBERO, RLBench, and real-world benchmarks demonstrate that AtlasVLA achieves state-of-the-art performance using solely a wrist camera. Remarkably, it decisively outperforms multi-view baselines, yielding absolute success rate improvements of 9.4% on LIBERO-Long and 17.5% in real-world long-horizon tasks.

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