何が起きたか
2026年9月30日掲載の論文は、物体の位置と対象を特定する4Bのグラウンディング基盤モデル「GroundingPI」を提案した。同モデルは点と矩形領域を、共有語彙内の量子化座標として出力する。論文によると、34のグラウンディングベンチマークで平均73.68%を記録し、GPT-6 Astraの71.54%を上回った。
詳細
学習にはマルチモーダルおよび空間事前学習、教師ありファインチューニング、GRPOを用いた強化学習を組み合わせた。監督信号には公開データセットと専用データエンジンを使ったとしている。 ロボット操作ではRoboTwin 2.0とRoboCasa-GR1の4つの分布外設定すべてで評価対象のバックボーンを上回り、最も強いベースラインに対する相対的な改善幅は最大24.8%だった。RoboCasa-GR1では、デモンストレーションの50%で学習したGroundingPIが、ベースラインの75%のデモンストレーションによる学習結果を上回った。自動運転関連のnuScenesでは、オープンループの平均L2誤差として0.296 mを報告した。
Key Facts
| GroundingPIは点と矩形領域を量子化座標として共有語彙から出力する4Bのモデルである。 | [1] |
| 34のグラウンディングベンチマークにおける平均スコアは73.68%で、GPT-6 Astraの71.54%を上回ったと論文は報告した。 | [1] |
| RoboTwin 2.0とRoboCasa-GR1の4つの分布外設定で評価対象のバックボーンを上回り、最強ベースラインに対する相対改善は最大24.8%だった。 | [1] |
| RoboCasa-GR1では、デモンストレーションの50%を使ったGroundingPIが、ベースラインの75%を使った学習結果を上回った。 | [1] |
| nuScenesにおけるオープンループの平均L2誤差は0.296 mだった。 | [1] |
本紙の見方
この研究の中心は、ロボットの動作を直接生成するモデルの提案ではなく、動作判断の前段にある「何を、どこで見るか」を専用モデルで扱う点にある。4BのGroundingPIは点や矩形領域を量子化座標で出力する。論文は、一般的な視覚言語・動画生成バックボーンを知覚に使うVLAやWAMが、雑然とした環境や小さな物体の認識で課題を残すとの問題設定を置き、専用の知覚事前学習を試した。したがって新規性は、ロボット全体の行動モデルを置き換えたことではなく、基盤モデルに組み込む知覚部分を分離して強化する設計と、そのベンチマーク評価にある。 数字の読みどころは、評価領域をまたいだ結果と、操作ベンチマークでのデータ量比較が併記された点だ。論文は44のベースライン、34のグラウンディングベンチマーク、11の知覚能力を対象に平均73.68%を報告し、GPT-6 Astraの71.54%との比較も示した。さらにRoboTwin 2.0とRoboCasa-GR1では4つの分布外設定すべてで評価対象のバックボーンを上回り、RoboCasa-GR1ではデモンストレーションを半分にした条件でもベースラインを上回ったとしている。これは、知覚性能の向上が操作タスクの汎化や必要なデモンストレーション量に関係し得るという論文の結果であり、実運用で同じ差が生じると確定するものではない。 業界構造への含意は、VLAやWAMの構成において、汎用バックボーンに知覚を一任する方法と、グラウンディング専用モデルを知覚基盤として使う方法の比較軸が具体化したことだ。GroundingPIを下流の視覚バックボーンとして用いた評価は、物体位置の特定が操作モデルの入力品質を左右する可能性を示す。一方で、論文要旨からはモデルの推論遅延、必要な計算資源、実機での閉ループ制御、異なるロボット構成への移植条件は確認できない。nuScenesの0.296 mもオープンループの平均L2誤差であり、実車の安全性や走行性能を直接示す値ではない。次に見るべきなのは、こうした評価を実機の応答速度や安全性を含む閉ループ試験で再現できるか、また専用知覚モデルを組み込む際の計算コストとデータ構成がどうなるかである。
なぜ重要か
論文は、GroundingPIを下流の視覚バックボーンとして評価し、ロボット操作の4つの分布外設定すべてで既存の評価対象を上回ったと報告した。物体の特定と位置出力を操作モデルの前段に置く構成が有効かを、デモンストレーション量も含めて比較する材料になるが、実機での閉ループ性能を示すものではない。
