Hugging Face、ロボット学習のボトルネック解消へ「VLAct」手法を提案

記事の3ポイント

1. 1

   表現中心の継続事前学習アプローチ

   固定されたロボットデータ予算下で、限られた軌跡を転移可能な視覚行動知識に変換する「VLAct」手法を提案し、VLM の事前知識を保持しつつ多様な実体化間での共通動作セマンティクスを促進する。

2. 2

   既存システムとの性能比較

   LIBERO-Plus と RoboTwin 2.0 で ABot-M0 や LingBot-VLA を上回る成功率（それぞれ82.6%、92.5%）を記録し、RoboDojo では明示された世界行動モデル（WAM）エントリ全てを上回った。

3. 3

   未知の身体への転移能力

   未見のヒューマノイド「RoboCasa-GR1」において、下流タスク軌跡の20%のみを使用してもフルデータで訓練された GR00T-N1.6 ベースラインを上回る性能を発揮した。