VLA2026/8/17arXiv:2608.16503v1

NebulaVLA: ロボット操作のためのガイドアクションを備えた二周波数視覚言語行動モデル

NebulaVLA: A Dual-Frequency Vision-Language-Action Model With Guide Action for Robotic Manipulation

高レベルの意味推論と低レベルのアクション制御を分離した非同期二周波数アーキテクチャを提案し、異種ロボット間のギャップを埋める統一表現と滑らかな動作を実現するガイドアクションアルゴリズムを導入した。

詳しい要約

1. どんなもの？

NebulaVLAは、ロボット操作のためのVision-Language-Action (VLA)モデルであり、非同期の二周波数アーキテクチャを採用して、高レベルの意味推論と低レベルのアクション制御を分離する。これにより、計算リソースの最適化とモジュール性の向上を図る。また、異種ロボット間の意味ギャップを橋渡しするための統一言語基盤アクション表現GESTURE-7と、マスクベースの滑らかさ制約による運動学的連続性を強制するGuide Actionアルゴリズムを導入する。

2. 先行研究と比べてどこがすごい？

従来の同期型VLAモデルと比較して、NebulaVLAは効率性と性能のトレードオフを改善し、クロスエンボディメント一般化と実行の滑らかさを向上させる。具体的には、LIBERO-Plusで平均成功率85.5%を達成し、アクション生成を約2.7倍高速化する。非同期設計により、実用的なロボット制御の応答性を高める。

3. 技術・手法の肝は？

技術の肝は、非同期デュアル周波数アーキテクチャにより、高周波のアクション制御と低周波の意味推論を分離し、計算資源を効率的に配分すること。また、GESTURE-7は言語に基づく統一アクション表現で、異なるロボット間の意味的ギャップを埋める。Guide Actionアルゴリズムは、マスクベースの滑らかさ制約を用いてアクションの運動学的連続性を保証する。

4. どうやって有効だと検証した？

包括的な評価により、NebulaVLAが同期ベースラインを大幅に上回ることを実証した。具体的には、LIBERO-Plusベンチマークで平均成功率85.5%を達成し、アクション生成速度を約2.7倍高速化した。

5. 議論はある？

要旨からは、非同期設計の利点と性能向上が示されているが、潜在的な欠点や限界については言及されていない。また、GESTURE-7の表現が実際の異種ロボット間でどの程度一般化するか、Guide Actionの滑らかさ制約が複雑なタスクでどのように影響するかなどの詳細は不明。

6. 次に読むべき論文は？

要旨で参照されている同期ベースラインのVLAモデルや、関連するVision-Language-Actionモデル、ロボット操作のためのアクション表現に関する研究。具体的には、RT-2やOctoなどのVLAモデル、および言語条件付きロボット操作のベンチマークであるLIBEROが関連する。

※ 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: Cong Zhao, Shuai Tian, Xu Zhang, Baocheng Ni, Xinguo Song, Xueying Sun, Shu Jiang, Shouchang Yang, Bo Tang, Jin Deng, Ge Zhu, YongCheng Wang, Jin Xu, Ri Yang

分類: cs.RO, cs.AI

原文アブストラクト

Real-world deployment of Vision-Language-Action (VLA) models is often bottlenecked by efficiency-performance trade-offs, cross-embodiment generalization, and execution smoothness. We present NebulaVLA, an asynchronous dual-frequency architecture that decouples high-level semantic reasoning from low-level action control, optimizing computational resources and modularity. To bridge semantic gaps across heterogeneous robots, we introduce GESTURE-7, a unified language-grounded action representation. Furthermore, our Guide Action algorithm enforces kinematic continuity via mask-based smoothness constraints. Comprehensive evaluations demonstrate that NebulaVLA significantly outperforms synchronous baselines, achieving an 85.5\% average success rate on LIBERO-Plus and accelerating action generation by \textasciitilde 2.7$\times$. This asynchronous design enables highly efficient and responsive control for practical robotics.

arXivで原文を読む →arXiv概要ページ

← 論文一覧