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:2609.23580

TaskAnchor: 長期的マニピュレーションのための反応型VLAにおけるタスク状態の接地

TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

視覚的に似た観測でも実行段階によって行動が異なる「タスク状態の曖昧さ」を解消するため、実行履歴に基づく軽量アダプタTaskAnchorを提案し、VLAの成功率を大幅に向上させた。

詳しい要約

1. どんなもの?

- 長期的な manipulation における reactive VLA モデルの課題を解決する手法。 - 視覚的に類似した観測がタスク段階や履歴により異なる行動に対応する「task-state aliasing」を扱う。 - 事前学習済み VLA を実行履歴に接地する軽量アダプタ TaskAnchor を提案。 - 明示的 planner や行動生成機構の変更なしに、視覚と言語のネイティブインターフェース経由で信号を注入。

2. 先行研究と比べてどこがすごい?

- 公開されている $\pi_{0.5}$ および X-VLA ベースラインと比較。 - RMBench で平均成功率が約 4.9--5.5 倍に向上。 - RoboMemArena や実機ロボットでも一貫した性能向上。 - $\pi_{0.5}$ で action chunk あたりの追加レイテンシはわずか 2.08 ms。

3. 技術・手法の肝は?

- 履歴条件付き視覚 refinement と、実行の意味的段階を表すスカラーである milestone-supervised task-state coordinate を組み合わせる。 - これらの信号をそれぞれ視覚インターフェースと言語インターフェースを通じて注入。 - 明示的 planner を導入せず、行動生成メカニズムも変更しない。

4. どうやって有効だと検証した?

- RMBench で $\pi_{0.5}$ と X-VLA ベースラインに対する成功率を評価。 - RoboMemArena および実機ロボットでも検証。 - 追加レイテンシを $\pi_{0.5}$ で計測。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- $\pi_{0.5}$ - X-VLA - RMBench - RoboMemArena

※ 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: Hengyan Liu, Wenlve Zhou, Bo Yue, Yongyi Su, Ruixiang Wang, Zhanqi Zhang, Dekun Lu, Wei Gao, Xiaofen Xing, Kui Jia

分類: cs.RO

原文アブストラクト

Reactive vision--language--action (VLA) models struggle with long-horizon manipulation when visually similar observations can correspond to different actions depending on the task stage or interaction history. We refer to this ambiguity as task-state aliasing and introduce TaskAnchor, a lightweight adapter that grounds pretrained VLAs in execution history. TaskAnchor combines history-conditioned visual refinement with a milestone-supervised task-state coordinate, a scalar representing the semantic stage of execution. These signals are injected through the native visual and language interfaces, respectively, without introducing an explicit planner or modifying the action-generation mechanism. On RMBench, TaskAnchor achieves approximately 4.9--5.5$\times$ the average success rates of the published $π_{0.5}$ and X-VLA baselines, with consistent gains on RoboMemArena and real robots. The added latency is only 2.08\,ms per action chunk for $π_{0.5}$.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI