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:2609.33575

SLIP-VLA: 視覚言語行動モデルのための単一ステップ潜在想像による方策学習

SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルに1回のデノイズ更新で未来の潜在表現を生成する「単一ステップ潜在想像」を導入し、幾何・意味特徴との整合と行動条件付き世界モデルで未来を考慮した行動予測を効率化した手法。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルに未来予測を組み込む枠組み。 - 従来の直接行動予測ではなく、Single-Step Latent Imagination で未来の潜在表現を生成。 - 未来を考慮した行動予測を効率的に行う。 - シミュレーションと実世界タスクで最先端性能を達成。 - 推論時間は12msと高速。

2. 先行研究と比べてどこがすごい?

- 従来の未来予測手法は高コストな反復的denoisingを要するか、1ステップでは性能不足。 - SLIP-VLAは1回のdenoising更新で時間的に密な未来潜在表現を取得。 - 中間潜在表現を未来の幾何・意味特徴と整合させ、知覚的十分性を向上。 - 行動条件付き潜在世界モデルと逆動力学モデリングで制御十分性も改善。 - 効率と性能の両立を実現。

3. 技術・手法の肝は?

- Single-Step Latent Imagination: 1回のdenoising更新で未来潜在表現を生成。 - 中間潜在表現を未来の幾何・意味特徴と整合させるアラインメント。 - 行動条件付き潜在世界モデル: 潜在遷移を行動と結合。 - 逆動力学モデリング: 潜在遷移から行動を推定。 - これらにより知覚・制御の十分性を高める。

4. どうやって有効だと検証した?

- 多様なシミュレーションベンチマークで評価。 - 実世界のマニピュレーションタスクで検証。 - 最先端性能を達成。 - 推論時間12msを計測。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、未来予測を導入したVLAモデル、denoisingを用いる拡散ポリシー、潜在世界モデル、逆動力学モデリングなどが挙げられる。

※ 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: Tianfu Li, Haoxuan Xu, Wenbo Chen, Haitian Li, Changchuan Yang, Xinhu Zheng, Jun Ma, Yuan Liu, Lujia Wang, Haoang Li

分類: cs.RO

原文アブストラクト

Vision-Language-Action models are increasingly effective for robotic manipulation, yet most predict actions directly from current observations without explicitly modeling future scene evolution. Recent methods introduce future prediction to improve action generation, but dense future modeling often requires expensive iterative denoising, while one-step alternatives can underperform their multi-step counterparts. To reconcile efficient future modeling with strong action performance, we present SLIP-VLA, a policy learning framework that equips VLA models with a Single-Step Latent Imagination for future-aware action prediction. SLIP-VLA obtains temporally dense future latent representations with a single denoising update, and we improve the perceptual sufficiency of these representations by aligning intermediate latents with future geometric and semantic features. We further improve their control sufficiency through action-conditioned latent world modeling and inverse dynamics modeling, explicitly coupling latent transitions with robot actions. SLIP-VLA achieves state-of-the-art performance across diverse simulation benchmarks and real-world manipulation tasks, while its single-step latent imagination takes only 12 ms.

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