何が起きたか
研究チームは、VLAモデルの訓練効率と汎化性能を高めるため、3D空間事前学習とロボット固有の行動調整を分離するPose-VLAを提案した。arXivに2026年2月23日付で公開された論文で、RoboTwin 2.0で平均成功率79.5%、LIBEROで96.0%を達成したと報告している。
詳細
Pose-VLAは、VLA訓練を2段階に分離する。第1段階では、カメラ中心の統一空間で3D空間事前学習を行い、離散ポーズトークンを用いて多様な3Dデータセットから空間的基盤を獲得する。第2段階では、ロボット固有の行動空間で効率的な行動調整を行う。実世界実験では、タスクあたり100デモンストレーションのみで多様な物体に対する汎化を示したとしている。
Key Facts
| Pose-VLAは、VLA訓練を3D空間事前学習とロボット固有の行動調整に分離するパラダイムを提案した。 | [1] |
| RoboTwin 2.0で平均成功率79.5%、LIBEROで96.0%を達成した。 | [1] |
| 実世界実験では、タスクあたり100デモンストレーションで多様な物体に対する汎化を示した。 | [1] |
| 離散ポーズトークンを普遍的な表現として導入し、3Dデータセットとロボットデモの軌跡を統合する。 | [1] |
なぜ重要か
Pose-VLAは、ロボット操作における基盤モデルの訓練効率と汎化性能を向上させる可能性を示した。特に、少数のデモンストレーションで実世界の多様な物体に適応できる点は、ロボットの導入コストを下げる可能性がある。今後の実用化には、より多様なタスクや環境での検証が求められる。