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:2610.33866

音声から直接ロボット操作を指示する音声-言語-行動モデル

Late Breaking Results: Audio-Language-Action Models with Direct Speech Conditioning for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

音声をテキストに変換せず直接モータコマンドへ写像するSpeech-π0.5を提案し、ASR経由より3倍低遅延で未知のアクセントにも頑健なことを示した。

詳しい要約

1. どんなもの?

- 音声指示でロボットを操作する Speech-$\pi_{0.5}$ という Audio-Language-Action モデル - 生の音声(speech)をテキスト転写なしで直接 motor commands に写像 - 基盤は VLA モデル $\pi_{0.5}$ - 目的は自然な音声による指示でのロボット操作の実現 - 従来の VLA は typed text 指示に限定 - 応答遅延の低減とタスク成功率の維持を両立させる試み

2. 先行研究と比べてどこがすごい?

- 従来の定石は ASR を VLA の前段に置き speech を text に変換する方式 - 追加の latency が発生し、ASR の誤りが伝播する問題 - Speech-$\pi_{0.5}$ は明示的な textual transcription を介さず raw speech を直接 motor commands へ - 結果として ASR pipeline 比で $3\times$ 低い response latency を実現 - LIBERO で競合する task success を維持 - 単一 adapter が大きく劣化する unseen accents にも頑健に汎化

3. 技術・手法の肝は?

- $\pi_{0.5}$ を基盤とし、cross-modal projection で voice frames を直接 audio tokens に変換 - これにより response latency を大幅削減 - 精度向上のため split LoRA adaptation を採用 - audio 用と task 用に専用 adapter を分離 - 学習は two-stage training で実施 - 詳細な architecture や各段階の設定は要旨からは不明

4. どうやって有効だと検証した?

- LIBERO 上でタスク成功率を評価し、ASR pipeline と比較して競合する success を維持 - response latency を ASR pipeline と比較し $3\times$ 低減を確認 - unseen accents への汎化を評価し、単一 adapter 構成が大きく劣化する条件でも頑健に動作することを確認 - 具体的な被験者数・データセット規模・統計手法は要旨からは不明

5. 議論はある?

- ASR を介さない直接音声条件付けの有効性と限界が議論の焦点 - latency 削減と誤り伝播回避の利点 - split LoRA による audio/task adapter 分離が accent 汎化に寄与する可能性 - 単一 adapter との比較で劣化差が示唆される - ただし実機での評価、雑音環境、多言語対応、より複雑な指示への拡張性は要旨からは不明 - two-stage training の各段階の寄与や audio token 化の詳細な分析も要旨からは不明

6. 次に読むべき論文は?

- 基盤モデル $\pi_{0.5}$ の原論文(VLA モデル) - ASR を前段に置く従来の speech-to-text + VLA pipeline に関する研究 - LoRA および split LoRA adaptation の原論文・関連手法 - LIBERO ベンチマークの原論文 - cross-modal projection を用いた audio-language モデル(例: audio-language model 関連研究)の文献

※ 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: Enfu Nan, Pu Zhao, Yixiao Chen, Lin Zhao, Juyi Lin, Chen Wang, Weiwei Chen, Yanzhi Wang

分類: cs.CV

原文アブストラクト

Vision-language-action (VLA) models enable robots to follow instructions in typed text, limiting broader deployment in natural speech. The traditional solution by prepending a speech recognition before VLA to convert speech into texts would incur additional latency and propagate errors. To address this, we present Speech-$π_{0.5}$, which maps raw speech directly to motor commands without explicit textual transcriptions. Specifically, built on $π_{0.5}$, we use a cross-modal projection to convert voice frames directly into audio tokens with significant response latency reduction. To further improve the accuracy, we adopt split LoRA adaptation with dedicated audio and task adapters, under a two-stage training. Speech-$π_{0.5}$ achieves $3\times$ lower response latency than ASR pipeline while maintaining competitive task success on LIBERO, and generalizes robustly to unseen accents where a single adapter degrades significantly.

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

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