Galaxea R1 Lite向けGR00T N1.6微調整モデル公開 遅延拡張で非同期チャンク実行を実現

何が起きたか

XYZPITは2026年8月24日、ヒューマノイドロボットGalaxea R1 Lite向けの視覚言語行動モデル「vlash-random4-ee-gr00t-n1.6-160000」をHugging Faceで公開した。ベースはNVIDIAのIsaac GR00T N1.6（nvidia/GR00T-N1.6-3B）で、チェックポイントはステップ16万。エンドエフェクタ姿勢（EE-pose）を直接出力する点が特徴で、訓練データは50エピソード、7万2474フレーム（31fps）を使用。遅延拡張により、実機で次のチャンクを計算中に現在のチャンクを実行する非同期実行が可能になる。

詳細

モデルは、ビデオ入力として頭部・左手首・右手首の3視点（各1フレーム）を使用。状態は左右のアーム、グリッパー、EEポーズで計32次元、行動はグリッパーとEEポーズで計20次元。EEポーズはxyz+rot6d形式（各アーム9次元）で、相対表現（ActionRepresentation.RELATIVE、ActionType.EEF）を採用。グリッパーは0〜100の絶対値。訓練時のアクションチャンク長は32、遅延ステップは最大4（サンプルごとにランダム）。オープンループ評価では、遅延0〜8のスイープを3軌道×800ステップで実施し、EEポーズのMSEは遅延1〜2で最小（左4.3e-5、右6.1e-5）となり、遅延8では約1.8倍に増加。EE MAEは最小で左3.2e-3、右4.3e-3（数ミリメートル）。グリッパー誤差は遅延と無相関。推論用アーティファクトのみで、訓練再開は不可。

Key Facts

本紙の見方

今回の公開は、ロボット基盤モデルの実機展開における「実行タイミング」問題への一つの回答を示している。従来の行動予測は観測時点から即座に動作を開始する前提だったが、実機では推論遅延や通信遅延が避けられず、その間に状態が進んでしまう。XYZPITの手法は、訓練時に意図的に遅延を注入し、モデルに「観測よりkステップ未来の行動」を予測させることで、推論中に次のチャンクを計算しつつ現在のチャンクを実行する非同期実行を可能にした。これは、実機での滑らかな連続動作に直結する工夫であり、基盤モデルの実用化に向けた重要な一歩とみられる。 評価結果は、遅延拡張の効果を定量的に示している。EE誤差は遅延1〜2で最小となり、訓練分布の平均（U[0,4]の平均は2）と一致する。遅延8では最小の約1.8倍に増加するが、それでも誤差は10^-4オーダーであり、実用上は許容範囲かもしれない。ただし、評価は訓練データセット上で行われており、汎化性能は未知数である。また、EEアクションラベルが実測値ベースの擬似アクションであるため、追従誤差や作動遅延を含まない点は留意が必要だ。 業界構造への含意として、このような微調整モデルの公開は、ロボット基盤モデルのエコシステムを加速させる。NVIDIAのGR00Tをベースに、特定のロボット（Galaxea R1 Lite）向けに調整したモデルが公開されることで、他の研究者や開発者が同様の手法を自社ロボットに適用しやすくなる。特に、エンドエフェクタ姿勢を直接出力する方式は、関節角出力と比べてロボットの運動学に依存しないため、異なるロボットへの移植が容易になる可能性がある。 未確定の論点としては、まず実機での非同期実行の実証が挙げられる。本モデルは推論アーティファクトのみで、訓練再開はできないため、実機での性能は別途検証が必要だ。また、遅延拡張の上限（max_delay_steps=4）が実運用で十分かどうか、より長い遅延が必要なケースがあるかは不明である。さらに、データセットが50エピソードと小規模であり、汎化性能やロバスト性の検証が待たれる。

なぜ重要か

このモデルは、ロボット基盤モデルを実機で使う際の「推論遅延」という実務上の課題に対する具体的な解決策を示しており、非同期実行の実現可能性を高める。公開された評価データは、遅延拡張の効果を定量的に示しており、同様の課題に直面する開発者にとって参考になる。