VLA中級
MixVLA、非不変情報の適応混合でVLAのゼロショット汎化を改善、LIBERO-Plusで76.2%
MixVLAは、視覚言語行動モデルのゼロショット汎化を高めるモデル非依存の学習フレームワークである。情報ボトルネックと重み減算で不変表現と非不変表現を分離し、非不変特徴を適応混合してから行動予測に統合する。LIBERO-Plusで76.2%、RoboTwin 2.0のC2Rで62.4%を達成し、実機照明変化でもπ0.5の20%から60%へ改善した。本論文はプレプリントである。
ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
MixVLAは、視覚言語行動モデルのゼロショット汎化を高めるモデル非依存の学習フレームワークである。情報ボトルネックと重み減算で不変表現と非不変表現を分離し、非不変特徴を適応混合してから行動予測に統合する。LIBERO-Plusで76.2%、RoboTwin 2.0のC2Rで62.4%を達成し、実機照明変化でもπ0.5の20%から60%へ改善した。本論文はプレプリントである。
ロボットAIモデルは先の動作をひとまとまりで予測するが、そのうち何ステップを実行してから周囲を見直すかは、これまで技術者が固定値で決めることが多かった。清華大学や北京智源人工知能研究院(BAAI)などによる今回のプレプリントは、この値を動作中に自動で選ぶ追加モジュールを示し、Physical IntelligenceとNVIDIAの既存モデルを再学習せずに、シミュレーションと実機の双腕ロボットで成功率を高めた。
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。