日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2611.08373

SLA:継続的事前学習による空間・言語・行動モデルのスケーリング

SLA: Scaling Spatial-Language-Action Model via Continual Pre-training

シェア:XThreadsFacebookLINEはてブBluesky

3D知覚モデルの空間表現とVLAの中間視覚埋め込みを整合させることで、空間理解を基盤能力として継続的事前学習するSLAモデルを提案。異種ロボットデータを統合し、多様な実機・タスク・環境での操作性能を高めた。

詳しい要約

1. どんなもの?

- 3次元空間における意味理解と精密制御を両立させるロボットマニピュレーション向けの Spatial-Language-Action Model「SLA」 - 既存 VLA 基盤が2D vision-language pre-training由来の視覚表現を継承し、空間監督をタスク適応時のみ導入しがちな点を問題視 - 空間理解を転移可能な基盤モデル能力として獲得するため、広範なロボット経験から学習する枠組みを提案 - 事前学習済み pi05 policy を初期化に用い、action prediction と空間表現の alignment を継続事前学習で最適化 - 推論時は元の VLA アーキテクチャをそのまま再利用可能

2. 先行研究と比べてどこがすごい?

- 従来 VLA は2D vision-language pre-trainingの視覚表現に依存し、空間監督はタスク特化適応段階でしか導入されないことが多い - SLA は implicit spatial alignment を continual pre-training に拡張し、下流 post-training でも維持する点が新しい - 凍結した 3D perception model の空間表現を教師として中間視覚埋め込みを整合させる - 異種ロボットデータセットを統合し、多様な embodiment・タスク・scene にわたる空間学習を可能に - 補助モジュールは学習時のみ使用し、推論アーキテクチャを変えずに事前学習済み VLA 重みを再利用できる

3. 技術・手法の肝は?

- 事前学習済み pi05 policy から初期化し、action prediction と空間 alignment を同時最適化 - frozen 3D perception model の空間表現を教師信号として中間 visual embeddings を整合 - 多様性に対応するため feature-dependent gates を導入し、複数 VLA 層の visual embeddings を適応的に集約して空間監督に利用 - 教師側は RGB に加え部分的に利用可能な depth と camera calibration を活用し、異種の幾何アノテーションを有効利用 - probabilistic state dropout により視覚手がかりへの依存を促し、demonstration trajectories への過学習を緩和 - 補助要素は学習時のみで、推論時は元の VLA 構成を保持

4. どうやって有効だと検証した?

- 異種ロボットデータセットをキュレーション・統合し、多様な embodiment・タスク・scene での空間学習を支援 - 具体的な評価ベンチマーク、比較手法、定量結果は要旨からは不明 - 下流 post-training でも空間 alignment を維持する設計であることが述べられているが、その有効性の検証詳細は要旨からは不明

5. 議論はある?

- 補助モジュールを学習時のみ用いることで推論アーキテクチャを保ち、事前学習済み VLA 重みを再利用できる点が実用上の利点 - probabilistic state dropout が視覚依存を促し過学習を緩和するという設計意図が示される - 異種データ統合や部分的 depth・camera calibration の利用など、データ多様性への対処が議論の焦点 - 限界、失敗事例、計算コスト、スケーリング則などに関する議論は要旨からは不明

6. 次に読むべき論文は?

- pi05 policy(初期化元の VLA) - frozen 3D perception model を用いた spatial alignment 関連研究 - vision-language-action (VLA) foundations の代表的先行研究 - continual pre-training を用いたロボット基盤モデル研究 - 異種ロボットデータセット統合に関する研究 - probabilistic state dropout など正則化を用いた模倣学習研究

※ 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: Fuhao Li, Wenxuan Song, Qizhou Huang, Ziyang Zhou, Jingbo Wang, Junwu E, Pengwei Wang, Yan Wang, Shunbo Zhou, Haoang Li

分類: cs.RO

原文アブストラクト

Reliable robotic manipulation requires both semantic understanding and precise control in three-dimensional space. However, vision-language-action (VLA) foundations largely inherit visual representations from 2D vision-language pre-training, while spatial supervision is often introduced only during task-specific adaptation. Developing spatial understanding as a transferable foundation-model capability therefore calls for learning from broader robot experience. We present SLA, a Spatial-Language-Action Model that scales implicit spatial alignment to continual pre-training and maintains it during downstream post-training. Initialized from a pretrained pi05 policy, SLA jointly optimizes action prediction and alignment between intermediate visual embeddings and spatial representations from a frozen 3D perception model. We curate and unify heterogeneous robot datasets to support spatial learning across diverse embodiments, tasks, and scenes. To accommodate this diversity, we introduce feature-dependent gates that adaptively aggregate visual embeddings from multiple VLA layers for spatial supervision. The teacher further exploits partially available depth and camera calibration alongside RGB observations, enabling effective use of heterogeneous geometric annotations. Probabilistic state dropout encourages reliance on visual cues and mitigates overfitting to demonstration trajectories. All auxiliary components are used only during training, allowing direct reuse of pretrained VLA weights and preserving the original inference architecture.

関連論文

  1. 1中国がソフトバンクのABBロボット事業買収を阻止したとFT報道、Bloomberg伝える提携・買収
  2. 2Tesla、Optimusの予約受付を12月初旬に始める見通しと報道新製品・発表
  3. 3NVIDIA、Cosmosを用いたインタラクティブシミュレーション向け世界モデルを解説研究・技術
  4. 4トヨタのロボット活用を扱う記事を掲載業界動向
  5. 5Agility、SPAC合併でナスダック上場資金調達
PR本紙発行元 EmplifAI