OpenFlyV2、Jetson Orin NX上で動く空中ロボット向けVLAモデルを発表

何が起きたか

arXivに2026年10月29日掲載の論文で、研究者らは空中ロボット向けの視覚・言語・行動モデル「OpenFlyV2」を発表した。モデルはNVIDIA Jetson Orin NX上で、12個のウェイポイントからなる行動チャンクを10 Hzで生成する。論文によると、実世界の空中データで学習せず、シミュレーションから実機のクアッドローターへゼロショット転移し、4つの実環境でナビゲーション成功率48%を達成した。

詳細

研究者らは、シミュレーションによるナビゲーション軌跡約70,000件と、視覚と言語の指示・応答ペア60,000件からなるデータセットを構築した。OpenFlyV2は、共有の視覚・言語表現を使って環境の意味理解、言語に基づく知覚、空間推論、連続的な飛行制御を扱う。小型の行動エキスパートが短期の飛行ウェイポイントに変換し、運動を考慮した時間メモリーと行動事前情報によって閉ループ実行の計算コストを抑える設計だという。 論文はコードを公開予定としている。要旨には、実環境4カ所の具体的な条件や成功率の算出方法、比較対象の詳細は記載されていない。

Key Facts

本紙の見方

OpenFlyV2の技術的な焦点は、空中ロボットの機体上で、視覚・言語による環境理解から連続的な飛行制御までを同じモデル内でつなぐ点にある。論文が示す構成では、共有の視覚・言語表現が知覚や空間推論を担い、小型の行動エキスパートが短期の飛行ウェイポイントへ変換する。つまり、単に言語指示を受け付けることではなく、機体上の限られた計算資源で知覚と制御を閉ループ化することが設計上の課題として置かれている。 計算面では、NVIDIA Jetson Orin NX上で10 Hz、1回あたり12ウェイポイントという実行条件が示された。これはモデルの出力頻度と行動単位を具体化する一方、論文要旨だけでは推論時のメモリー使用量や消費電力、遅延の内訳までは分からない。運動を考慮した時間メモリーと行動事前情報を計算コスト抑制に使う設計が、実機上でどの程度の余裕を生むかは、再現時に確認したい点である。 データと実機評価の関係にも特徴がある。学習データはシミュレーションの軌跡約70,000件と視覚・言語ペア60,000件で、実世界の空中データによる学習なしにクアッドローターへ転移したと報告する。これは実機データ収集を学習の前提にしない経路を示すが、成功率48%は4つの実環境での結果であり、あらゆる環境への一般化を意味しない。環境ごとの内訳や試行数、成功判定の定義が分からなければ、実用上の到達度を比較するには情報が足りない。 したがって本研究の意義は、シミュレーション学習、機体上の推論、実機での閉ループ飛行を一つの評価経路にまとめた点にあるとみられる。次に確認すべきなのは、環境条件を変えた際の成功率、障害物や指示の曖昧さへの対応、安全制約を含む失敗時の挙動、そして異なる機体・計算機での実行結果だ。コード公開後には、データセットと評価手順を含めて再現可能性を検証できるかも焦点になる。

なぜ重要か

論文の結果は、シミュレーション由来のデータだけで実機飛行への転移を試み、機体搭載のNVIDIA Jetson Orin NX上で閉ループ制御を実行する構成を示した。実環境4カ所での成功率48%という評価は適用範囲を限定して読む必要があり、実運用への判断には環境条件や失敗時の安全性の確認が欠かせない。