表示
超・人工知能研究所 Super AI Research Lab トップへ超・人工知能研究所AI Research Lab / ぱそ太郎工事中

since
平成38年9月29日

← 検索結果に戻る

画像と指示文からロボットの動作を出すOpenVLA

OpenVLA

保存した記事を見るこのブラウザに保存します。無料会員で端末間の同期・フォルダ整理
著者の公式図・デモ

画像と言語からロボットの行動を予測するOpenVLA。

出典:Moo Jin Kim et al. / OpenVLA ↗

概要

  • 画像と自然文の指示を入力し、7次元のロボット動作を予測する公開モデルである。
  • 著者らは97万件の実機動作で学習し、2種類のロボットによる計29作業で評価した。
  • RT-2-Xとの比較で平均成功率が16.5ポイント高いと報告する一方、意味的な汎化ではRT-2-Xが強い場面もあった。
補足:編集した模式図で仕組みを確認する

VISUAL EXPLAINER

図でつかむ、OpenVLAの仕組み

左から右へ読む
  1. 01カメラ画像+言語指示
  2. 02視覚と言語の特徴を統合
  3. 03行動を表すトークンを予測
  4. 04ロボットの制御へ変換

たとえば「赤い物を取って」という指示と現在の画像から、ロボットの次の行動を出力する。

もともとの課題・処理

画像と言葉を解釈する処理と、ロボットの行動生成が別の課題になる。

この研究のアプローチ

視覚・言語・行動を一つのモデルで結び付ける。

原論文の説明をもとにした模式図です。処理の細部は省略しています。

研究の背景

ロボットに新しい作業を覚えさせるには、対象物、周囲の見え方、指示文と動作を結び付ける必要がある。個別の作業だけで学習した制御方法は、物の位置や種類、周囲の物が変わると失敗し得る。画像と言語で事前学習したモデルを動作へ応用する研究が進んでいる。

ただし、従来の視覚・言語・動作モデルは公開範囲が限られ、新しいロボットや作業への調整方法も十分に検討されていなかった。OpenVLAはその調整と評価を扱う。

手法

入力はロボットから見た画像と、「指定した物を移す」といった自然文の指示。DINOv2とSigLIPという二つの画像特徴抽出器の出力を合わせ、言語モデルLlama 2へ渡す。画像と言語から動作を予測する仕組みを、視覚・言語・動作モデル、略してVLAと呼ぶ。

連続した動作値をそのまま文章として出すのではなく、各次元を256段階に分けた記号として学習し、7次元の動作を予測する。例えば作業台の画像と「青い物を取る」という指示から、手先の移動や把持に対応する値を得る。新しい作業には、その環境で集めた実演記録を使って追加学習する。

新規性

OpenVLAは、画像と言語を扱う既存モデルを、ロボットの動作を出すモデルへ調整し、学習済み重みと学習・調整用のコードを公開した研究である。7B規模のモデルを、97万件の実機での動作記録で学習している。

著者らは複数のロボットでの汎用操作と、新しい作業への追加学習を評価した。低ランク適応による調整や量子化による推論も検討し、導入時の計算資源を抑える選択肢を示した。

従来手法との違い

比較対象のRT-2-Xは55B規模の視覚・言語・動作モデルで、OpenVLAの7Bより大きい。論文の29作業の評価では、OpenVLAの平均成功率がRT-2-Xを絶対値で16.5ポイント上回った。ただし、Googleのロボットでは両者は同程度で、未知の意味概念を扱う課題ではRT-2-Xが強いと著者らは述べる。

新しい作業への調整では、ゼロから学習するDiffusion Policyとの比較も行い、複数の物体と言語指示を扱う設定でOpenVLAの優位を報告する。差は評価した作業とロボットに結び付けて読むべきである。

実験結果

著者らはOpen X-Embodiment由来の実機動作97万件で学習した。直接評価ではWidowXの17作業を各10回、Googleのロボットの12作業を各5回試し、同じ初期状態で比較した。計29作業の平均成功率はRT-2-Xより絶対値で16.5ポイント高いと報告する。

追加学習は7種類の作業で調べ、複数物体と言語指示を含む設定では、ゼロから学習するDiffusion Policyより20.4ポイント高い成功率を報告した。量子化した推論でも、評価した下流作業の成功率は低下しなかったと著者らは述べる。

応用の可能性

編集上の応用案 · 論文が実証した用途とは区別しています。

編集上の応用案:製造現場の仕分け作業で、作業台の画像と「赤い部品を右の容器へ移す」という指示を入力し、ロボットの次の動作候補を出す。出力は部品名の文章ではなく、アームの移動や把持に対応する動作値である。

まず作業環境の実演記録で追加学習し、候補動作を人が確認できる形で試す。似た色の部品や容器の位置変更を含め、指示した対象を選び続けられるかを確かめてから作業範囲を決める。

応用先の候補からNauhに相談できます。

導入時の検証

導入時の検証案 · 対象データでの再評価が必要です。

導入時の検証案:対象ロボットで、指定物を一つの容器へ移す作業を選び、画像・指示・実演動作をそろえる。現在の手順、またはその作業用に学習した制御方法を比較基準にする。

同じ初期配置で繰り返し試し、作業成功率、誤った物をつかむ割合、指示から動作出力までの時間を測る。次に物の位置、色、周囲の物を変えて同じ指標を記録する。失敗例を分類し、追加学習で改善する範囲を判断する。

限界と課題

著者らの学習データは、第三者視点のカメラを持ち、単腕の手先を制御する操作データに絞られている。異なるセンサー構成や動作形式をまたぐ学習は今後の課題としている。また、評価では意味的な汎化の課題でRT-2-Xが上回る場面があった。

編集上の確認点は、対象ロボットの動作形式への適合、指示を取り違えた時の挙動、必要な応答速度である。論文の成功率は特定の機体と作業での試行に基づき、別の設備での成功を保証しない。

応用先の候補
研究内容と応用案に基づく分類です。業界での導入実績を示すものではありません。

出典

元のタイトル・要旨を確認する(英語)

OpenVLA: An Open-Source Vision-Language-Action Model

Large policies pretrained on a combination of Internet-scale vision-language data and diverse robot demonstrations have the potential to change how we teach robots new skills: rather than training new behaviors from scratch, we can fine-tune such vision-language-action (VLA) models to obtain robust, generalizable policies for visuomotor control. Yet, widespread adoption of VLAs for robotics has been challenging as 1) existing VLAs are largely closed and inaccessible to the public, and 2) prior work fails to explore methods for efficiently fine-tuning VLAs for new tasks, a key component for adoption. Addressing these challenges, we introduce OpenVLA, a 7B-parameter open-source VLA trained on a diverse collection of 970k real-world robot demonstrations. OpenVLA builds on a Llama 2 language model combined with a visual encoder that fuses pretrained features from DINOv2 and SigLIP. As a product of the added data diversity and new model components, OpenVLA demonstrates strong results for generalist manipulation, outperforming closed models such as RT-2-X (55B) by 16.5% in absolute task success rate across 29 tasks and multiple robot embodiments, with 7x fewer parameters. We further show that we can effectively fine-tune OpenVLA for new settings, with especially strong generalization results in multi-task environments involving multiple objects and strong language grounding abilities, and outperform expressive from-scratch imitation learning methods such as Diffusion Policy by 20.4%. We also explore compute efficiency; as a separate contribution, we show that OpenVLA can be fine-tuned on consumer GPUs via modern low-rank adaptation methods and served efficiently via quantization without a hit to downstream success rate. Finally, we release model checkpoints, fine-tuning notebooks, and our PyTorch codebase with built-in support for training VLAs at scale on Open X-Embodiment datasets.

論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29