危険な軌道には修正分布、安全な軌道には自己模倣、Reflect-VLAが助言を一回の運転計画へ内在化
- 軌道評価から作る診断と修正指示を学習時だけ使い、推論時は助言なしで一回の生成を行う。
- 走行得点で学習経路を分け、危険な軌道には教師のトークン分布、安全な軌道には自己模倣を適用する。
- 4BモデルのNAVSIM v1得点は91.5で、比較したGRPOの学習時間を一万例あたり33.4から2.4時間へ削減した。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
小型マイコンで自由語彙の音声認識を動かすOído、精度を保つ量子化と実機の待ち時間
- ニューラル加速器のないESP32-S3で、英語の自由語彙認識を端末内で実行する。
- 八ビット量子化とメモリ帯域を意識した処理で、LibriSpeechの誤り率を全精度に近く保った。
- 実機はまだ音声の速度に追いつかず、ストリーミングも最終文の待ち時間と精度の交換関係を持つ。
走行意図別の軌道を一段で生成するManeuverFlow、予測した未来から候補を修正
- 走行意図を選び、混合分布のノイズから意図別の軌道候補を一段で生成する。
- 現在の特徴と世界モデルが予測する未来の特徴を経路沿いに集め、評価と局所修正に共用する。
- NAVSIM v1/v2でPDMS 90.6、EPDMS 90.1を報告し、閉ループの別試験でも評価した。
物体どうしの関係を監視するRobot-WATCHDOG、正常実演からロボットの取り違えを検出
- 操作場面を物体とその関係の時系列グラフに変換し、正常な実演からの逸脱を検出する。
- 軌跡と相関を比較するTPCと未来状態を予測するGnnTを、計六課題・十シードで比較した。
- TPCは両データ集合の平均で優位だったが、物体追跡の誤りや姿勢の違いへの限界が残る。
似た記録に共通する成分を差し引くNEAR、学習なしで会話記憶の根拠を検索
- 各記憶の近隣から参照方向を作り、共通成分を除いた残差と元の埋め込みを合わせて検索する。
- 八つの検索課題と九つの埋め込みモデルで平均的な改善を報告し、索引を固定して一回の近似検索を行う。
- Qwen3-Embedding-4Bの平均Recall@10は62.67から69.76へ改善する一方、保存量と検索計算は増える。
見出しと重要語を先に索引化するPRIME、文書検索の計算削減と書き換えの代償を検証
- 見出し構造と重要語を抽出する索引設計と、LLMで文章を高密度に再構成する処理を分ける。
- 構造に沿う文書分割と同等の検索品質で、埋め込み計算を45.8分の1、索引ベクトル数を22.4分の1と報告した。
- 文章再構成は回答F1を相対13.7%改善する一方、根拠の欠落や検索品質の低下も確認された。
文書全体の類似度に局所の証拠を加える、既存のトークン表現で記憶検索を改善
- 既存の埋め込みモデルが計算する語単位の表現を再利用し、追加学習なしで検索順位を改善する。
- 質問中の各トークンから少数の一致候補を探し、元の記憶単位へ集約して全体類似度と融合する。
- Qwen3-Embedding-4Bでは質問側の追加適応を含め、平均Recall@10とNDCG@10の改善が13.3、14.3ポイントと報告された。
動画説明を人物・映像区間・音の単位で採点、OmniCapBenchが総合点に隠れる認識誤りを診断
- 音声と映像を理解するモデルの説明を、対象の識別、映像区間、音イベントの検証可能な単位として評価する。
- IDや時間範囲、参照関係を規則で確認し、意味の比較に限って言語モデルを使うことで誤りの場所を特定する。
- 786本の動画を整備し、局所的な認識に比べて長い時間にわたる対象の追跡や音と映像の対応づけが弱いと報告した。
実物と同期した仮想視点で細かな位置ずれを見せるSpatialHarness、同じ操作モデルの成功率を改善
- ロボットの実行場面に同期するシミュレーションから補助視点を作り、物理カメラで見えにくい位置関係を操作モデルへ提示する。
- 静止、把持中、把持・解放の切り替わりに応じて状態を補正し、モデルの追加学習や物理カメラの変更を行わずに利用する。
- 実機4課題の平均成功率は18.33％から83.33％へ向上し、プラグ挿入では26.67％から66.67％へ改善した。
生成動画で変えるカメラ移動の不足情報を撮影中に可視化、Hybrid Cinematographyが追加撮影を支援
- 撮影後に生成AIでカメラ移動を変更する際、元映像にない表面や細部、演技の情報を撮影中に確認できるワークフローを提案。
- 編集可能な3D撮影計画と簡易的な場面再構成を共有し、情報不足の位置と時刻をリアルタイムに表示する。
- 経験のある映像制作者7人の評価では、撮影計画の修正や狙った追加撮影を支援する使い方が報告された。
カメラの台数と位置を変えても固定長の場面表現へ、VersaCamVLAが操作方策を補助
- 位置情報付きRGB画像の可変集合を、一定数の場面トークンへまとめる。
- 手首カメラの自然な移動を視点学習に使い、学習時だけ他視点の色・意味・境界を予測する。
- 未知カメラ位置で基盤方策より成功率が高いが、較正と基盤の通常画像入力は必要である。
一つの視覚Transformerを深さに応じて使い分けるreViT、保存重みを大幅に削減
- 同じ注意ブロックを反復し、処理の深さだけから少数のFFN重みを混合する。
- ImageNetのB/16で86.6百万から23.6百万パラメータへ減らし、近い演算量で83.0％の精度を得た。
- 反復数を変えられるが、固定グラフへの展開では保存容量が増え、重み削減と速度改善は別である。