日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2610.35817

事前学習が「何を」を知り、シミュレーションが「どう」を教える:シミュレーション訓練ロボットエージェントの組合せ的一般化

Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent

シェア:XThreadsFacebookLINEはてブBluesky

小型の視覚言語モデルをツールハーネス経由でロボット制御に適応させ、実機データなしのシミュレーション訓練だけで実世界タスク96.7%を達成し、新規物体・目標・言語や未見の機体にも汎化することを示した論文。

詳しい要約

1. どんなもの?

- ロボット政策に必要な「タスクが何を求めているかの理解(what)」と「ロボットをどう動かすか(how)」の2技能を獲得させる手法 - Zero-real Agent Policy (ZAP) と名付けたレシピ - 小型の off-the-shelf vision-language model を simple tool harness 経由でロボット制御に教える - 実世界ロボットデータを訓練に一切使わない点が特徴 - 実世界タスクで 96.7% の成功率を報告

2. 先行研究と比べてどこがすごい?

- 実世界ロボットデータなしで訓練しながら、実世界タスク 96.7% を達成 - 同一 harness 下で GPT-6 Astra に匹敵する性能を報告 - MolmoAct2 VLA (33.3%) を大きく上回る - GPT-6 Astra 比で 3x faster、17x cheaper と報告 - 単腕 Franka という unseen embodiment でも RoboLab-120 で 55.9%、leading VLA/WAM baseline を 4.9 percentage points 上回る

3. 技術・手法の肝は?

- 27B parameter の pretrained model で world understanding と reasoning を bootstrap - 続いて supervised fine-tuning と GRPO を simple simulated tasks 上で実施し、ロボットの動かし方を学習 - 小型 off-the-shelf vision-language model を simple tool harness でロボット制御に接続 - 訓練はシミュレーションのみで、実世界ロボットデータを使用しない - 詳細なタスク設計や harness 構成は要旨からは不明

4. どうやって有効だと検証した?

- 実世界タスクで成功率 96.7% を報告 - 同一 harness で GPT-6 Astra と比較、MolmoAct2 VLA (33.3%) とも比較 - 速度・コスト面で GPT-6 Astra 比 3x faster、17x cheaper と報告 - 訓練データに無い新規物体・目標・戦略・言語への汎化を検証: test tube を rack に設置(指示に応じ穴を変更)、両腕間で test tube を空中受け渡し、tic-tac-toe board に X を描く、chess を指す - unseen embodiment として単腕 Franka で RoboLab-120 を評価し 55.9% を報告

5. 議論はある?

- 訓練に無い目標・操作タイプ・言語への compositional generalization を示唆 - unseen embodiment への転移可能性を示す結果を報告 - 一方で実世界データなし訓練の限界や失敗条件の詳細は要旨からは不明 - 比較対象や評価タスクの範囲、統計的有意性などは要旨からは不明

6. 次に読むべき論文は?

- GPT-6 Astra(比較対象の基盤モデル) - MolmoAct2 VLA(比較された VLA) - GRPO(学習手法) - RoboLab-120(評価ベンチマーク) - VLA/WAM baseline 関連研究

※ 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: Benjamin Pikus, Daniel Saunders, Mircea Mironenco, Salman Mohammadi, Mathew Mathew, Sirou Zhu, Divya Makkar, Xuhua Huang, Qinbo Li, Supreeth Narasimhaswamy, Siyuan Cen, Thomas Neff, Dejia Xu, Shyamal Buch

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

A robot policy needs to understand what a task is asking for in a scene, and how to move the robot to accomplish that task. To achieve these two skills, we introduce Zero-real Agent Policy (ZAP), a recipe that teaches a small off-the-shelf vision-language model to control a robot via a simple tool harness. We use a pretrained 27B parameter model to bootstrap world understanding and reasoning, followed by supervised fine-tuning and GRPO on simple simulated tasks to teach it how to move the robot. Without any real-world robot data during training, ZAP reaches 96.7% success on real-world tasks, matching GPT-6 Astra in our harness and outperforming the MolmoAct2 VLA (33.3%), while running 3x faster and 17x cheaper than GPT-6 Astra. We demonstrate that ZAP also generalizes to completely new objects, goals, strategies, and language by seating a test tube in a rack (and choosing a different hole in the rack when prompted), handing a test tube between arms mid-air, drawing an X on a tic-tac-toe board, and playing chess. These goals and types of manipulation don't appear in our training data. Furthermore, ZAP also transfers to an unseen embodiment. On a single-arm Franka, ZAP reaches 55.9% on RoboLab-120, 4.9 percentage points ahead of the leading VLA/WAM baseline.

関連論文

PR本紙発行元 EmplifAI