日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2609.06256

GloVLA: 幾何学的移動と局所VLAの相互作用による非構造環境での頑健な物体中心操作

GloVLA: Let Geometry Move and Local VLA Interact for Robust Object-Centric Manipulation in Unstructured Environments

シェア:XThreadsFacebookLINEはてブBluesky

物体中心操作を幾何学的な移動制御と局所的なVLAポリシーに分離するハイブリッドフレームワークを提案し、非構造環境での成功率と推論コストを改善した。

詳しい要約

1. どんなもの?

GloVLAは、非構造化環境でのロボット操作を対象としたハイブリッドフレームワークである。物体中心の操作を、エンドエフェクタをタスク関連領域へ長距離輸送する幾何学的輸送コントローラと、短い接触リッチな相互作用フェーズのみを扱うローカルVLAポリシーに明示的に分離する。モデル非依存で、追加のデモンストレーションやアクション空間・成功述語の変更なしに様々なVLAバックボーンと統合可能である。

2. 先行研究と比べてどこがすごい?

従来のエンドツーエンドVLAモデルは、長距離輸送と短い相互作用を単一ポリシーで同時に解くため、視覚的変化やクラッタ、オクルージョンなどに対して脆弱で、訓練分布外で失敗しやすい。GloVLAはこの問題を、輸送と相互作用を分離することで解決し、ロバスト性を向上させるとともに、VLA推論コストを大幅に削減する点が新しい。

3. 技術・手法の肝は?

手法の肝は、物体中心操作を2つの相補的なレジームに分離することである。幾何学的輸送コントローラがエンドエフェクタを相互作用中心のハンドオフ領域まで移動させ、ローカルVLAポリシーは短い相互作用フェーズのみを担当する。これにより、VLAは局所的な状態分布内でのみ動作し、外乱の影響を受けにくくなる。モデル非依存の設計で、既存のVLAバックボーンに統合できる。

4. どうやって有効だと検証した?

標準的なLIBEROおよびLIBERO-Plus Objectタスクに加え、クラッタ、ディストラクタ、照明変化、視覚的シフト、障害物を含む新しく導入したLIBERO-Challengeベンチマークで実験を行った。また、物理ロボットUR10eでも検証した。結果、LIBERO-Challengeのフルトレジェクトリ実行ではGR00T N1.6が平均成功率20.9%に低下するのに対し、GloVLAは88.5%を維持し、物理ロボットでは成功率が35.6%から90.0%に向上し、平均推論時間は半分以下に短縮された。

5. 議論はある?

要旨からは、GloVLAの分離アプローチが有効である一方、幾何学的輸送コントローラの設計や、ローカルVLAポリシーの適用範囲の限界についての議論は明示されていない。また、モデル非依存とされるが、特定のVLAバックボーンでの性能差や、より複雑なタスクへの拡張性については要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されているGR00T N1.6や、VLAモデルの基盤となるVision-Language-Actionモデルに関する論文が関連する。具体的には、既存のVLAモデル(例:RT-2、OpenVLA)や、LIBEROベンチマークを提案した論文が次に読むべき候補である。

※ 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: Truong Thanh Nguyen, Huy Hoang Nguyen, Ha Anh Nguyen, Binh Khanh Dinh, Ngo Anh Vien, Duy Nguyen Ho Minh, Minh Nhat Vu, Ngan Le

分類: cs.RO

原文アブストラクト

Vision-language-action (VLA) models have shown promising generalization for language-conditioned robot manipulation, but deploying them in unstructured environments remains challenging. A single end-to-end VLA policy must simultaneously solve long-range transport of the end effector to task-relevant regions and short-horizon, contact-rich interaction upon arrival. This formulation is inefficient and brittle: small visual shifts, distractors, clutter, occlusions, or unfavorable initial gripper poses can push the policy outside the local state distribution in which it was trained, leading to task failure. We introduce GloVLA, a hybrid framework that explicitly separates object-centric manipulation into two complementary regimes: a geometric transport controller moves the end-effector into interaction-centric handoff regions, and local VLA policies handle only the short-horizon interaction phases. GloVLA is model-agnostic and can be integrated with different VLA backbones with no additional demonstrations and no changes to the action space or success predicate. Experiments on standard LIBERO and LIBERO-Plus Object tasks together with a newly introduced LIBERO-Challenge benchmark ettings with clutter, distractors,illumination changes, visual shifts, and obstruction show that GloVLA improves task success and substantially lowers VLA inference cost compared with full end-to-Challenge, full-trajectory GR00T N1.6execution degrades to 20.9% average success while GloVLA retains 88.5%; on a physical UR10e, overall success improves from 35.6% to 90.0% while mean inference time is more than halved. Videos and additional results are available at https://glovla-project.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. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  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