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:2609.34550

視線プロンプト:Vision-Language-Actionファインチューニングのための時間的に密な人間の注意

Gaze Prompts: Temporally Dense Human Attention for Vision-Language-Action Fine-Tuning

シェア:XThreadsFacebookLINEはてブBluesky

VRテレオペレーション中の視線をフレーム単位の視覚プロンプトとしてVLAモデルに与え、展開時は軽量予測器で視線を推定することで、実世界の両手マニピュレーション成功率を26.3%から56.0%に向上させた。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) の fine-tuning において、各ステップの画像と行動のペアに加え、VR teleoperation 中に記録した gaze を frame-level の視覚ガイダンスとして与える手法。 - 訓練時は gaze 位置を crosshair としてロボットの head-camera 画像に描画。 - 展開時は eye tracker 不要で、軽量な gaze 予測器が直近の画像と指示から gaze 位置を推定し、同じ視覚プロンプトを供給。 - π0 に適用し、6つの実世界 bimanual 操作タスクで平均成功率を 26.3% から 56.0% に向上。 - 1,200 の teleoperated trajectories と同期 gaze を含む GazeMani データセットを公開。

2. 先行研究と比べてどこがすごい?

- 従来の VLA fine-tuning はタスクレベルの言語指示のみで、各瞬間の視覚的関連性が暗黙的だった。 - 本手法は eye-tracker-supervised gaze prompting により、frame-level の視覚ガイダンスを明示的に提供。 - 展開時に eye tracker や policy architecture の変更を必要とせず、軽量予測器で gaze を推定する点が新しい。 - 実世界 bimanual 操作タスクで大幅な成功率向上を達成し、単一ポリシーで全6タスクを訓練した場合にも利得を確認。

3. 技術・手法の肝は?

- VR teleoperation 中に eye tracker で gaze を記録し、訓練時にその位置を crosshair として head-camera 画像に描画。 - 展開時は、直近の画像とタスク指示から gaze 位置を推定する軽量予測器を用い、eye tracker なしで同様の視覚プロンプトを生成。 - ポリシーアーキテクチャは変更せず、π0 に gaze prompting を適用。 - これにより、各ステップで「どこを見るべきか」を明示的にモデルに伝える。

4. どうやって有効だと検証した?

- 6つの実世界 bimanual 操作タスクで評価。 - π0 に gaze prompting を適用し、平均成功率が 26.3% から 56.0% に向上。 - 単一ポリシーを全6タスクで訓練した場合にも利得を観測。 - GazeMani データセット(1,200 trajectories、同期 gaze 付き)を公開。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- π0(本手法が instantiate された基盤 VLA) - Vision-Language-Action (VLA) fine-tuning の一般的な手法 - eye tracking を用いたロボット学習に関する研究 - bimanual manipulation の実世界タスクにおける VLA 応用

※ 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: Yihan Zhou, Rui Yan, Mingcong Li, Zheyuan Huang, Xu Yang, Xueyang Guo, Yilin Mo

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) fine-tuning pairs images with actions at every step, yet typically provides only a task-level language instruction, leaving moment-to-moment visual relevance implicit. We introduce \emph{eye-tracker-supervised gaze prompting}, which uses gaze recorded during VR teleoperation to provide frame-level visual guidance for VLA fine-tuning. During training, recorded gaze locations are rendered as crosshairs on the robot's head-camera images. At deployment, a lightweight predictor estimates gaze locations from recent images and the instruction, supplying the same type of visual prompt without an eye tracker or changes to the policy architecture. Instantiated with $π_0$, gaze prompting increases mean success from $26.3\%$ to $56.0\%$ across six real-world bimanual manipulation tasks, with gains also observed when a single policy is trained on all six tasks. We release \textsc{GazeMani}, a dataset of $1{,}200$ teleoperated trajectories with synchronized gaze.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI