アーカイブ / VLM / AI Agent / Robotics
画像を見て離散コマンドを選ぶVLMのロボット制御
RoboDawn
人が理解しやすい操作命令と文脈内の実演でVLMをロボットにつなぐ。
出典:Meng-Hao Guo et al. / RoboDawn, Fig. 1 ↗概要
- VLMが画像と実行結果を見ながら、移動・回転・把持器操作の命令を繰り返し選ぶ。
- RoboTwin 2.0 C2Rでは、GPT-6 Astra使用時に例なし53.2%、1例あり73.6%の成功率を著者らが報告した。
- 実機でのブロック操作も報告されたが、精密な位置合わせや姿勢調整は検証課題として残る。
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、RoboDawnの仕組み
- 01画像・作業指示・実演
- 02VLMが次の操作を判断
- 03移動・回転・把持のコマンド
- 04ロボットが実行して再観測
たとえば視覚言語モデルの判断を、ロボットが実行できる限られたコマンドへつなぐ。
画像や言葉を理解するモデルの出力を、そのまま実機の制御には使えない。
少数の操作コマンドを介して、判断・実行・再観測をつなぐ。
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
画像と言語を理解するモデルをロボットに使う場合、関節ごとの細かな制御値へ直接つなぐにはロボットの作業データが必要になりやすい。別の装置や作業へ移るたびに、その準備が負担となる。
RoboDawnが問うのは、モデルが持つ視覚的な判断を、分かりやすい操作命令を介して使えるかである。撮影した現在状態を見て動き、結果を再び観測する閉ループで試している。
手法
入力は作業指示、複数視点の画像、ロボット状態、前回の実行結果、操作履歴、装置の説明と実演例である。VLMは移動、回転、把持器の開閉などの命令を出す。命令は把持器の指先間の中点を基準にし、実行側が目標姿勢への動きに変換する。
例えばブロックを掴む場面では、画像から位置を見積もり、指先を近づける移動命令、把持器を閉じる命令を選ぶ。実行後に新しい画像を受け、掴めたかを踏まえて次を決める。実演例は命令の効果を示す共通例と作業手順の例に分かれ、モデルの重みは更新しない。
新規性
RoboDawnは、画像と言語を扱うVLMに、移動・回転・把持器の開閉など少数の意味が分かる命令を渡してロボットを操作する。著者らは、対象作業に合わせたモデルのパラメータ更新をせず、実行結果を次の判断へ戻す構成を示した。
命令の意味を示す共通例と、作業手順を示す例を入力中に置く「文脈内学習」も組み合わせる。例は実行可能な命令列に変換され、操作の粒度と使い方を伝える。
従来手法との違い
π0.5などの比較対象は、ロボットの作業データで追加学習した方策である。RoboDawnは事前学習済みVLMのパラメータを固定し、作業例を入力に置いて次の命令を選ぶ。学習条件と推論時の情報量は同一ではない。
RoboTwin 2.0 C2Rでは、GPT-6 Astraを用いたRoboDawnの例なしが53.2%、1例ありが73.6%で、論文掲載のπ0.5は46.0%だった。ただし成功率だけで実行時間や必要な対話回数まで比較した結論にはならない。
実験結果
著者らはRoboTwin 2.0 C2Rの50課題を各10回、環境を変えた条件で評価した。GPT-6 Astra使用時の平均成功率は例なし53.2%、1例を入力した場合73.6%。Gemini-3.8-Flashでは47.0%から62.2%へ上がった。
RoboDojoの42課題を各5回試した結果は例なし35.67%、1例あり47.17%だった。命令数上限を60から240へ増やすと、1例ありの成功率は31.2%から47.2%へ上昇した。実機でもFrankaを用いたブロックの籠入れと積み重ねを報告している。
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:作業台のブロックを籠へ入れる工程で、ロボットに画像と状態、作業指示を渡す。出力は把持点を動かす方向と距離、把持器の開閉などの命令列で、実行器が具体的な動きへ変換する。
一回実行するごとに新しい画像と実行結果を返し、置き損ねた場合は次の動きを決め直す。まず定型の配置だけを対象にし、命令列と各回の画像を保存して、失敗が視認、位置指定、動作のどこで起きたか確認する。
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:一つのブロック移動作業で使用可能な移動・回転・把持命令を定義し、命令が実機で何をするかを先に確認する。VLMへの作業例なしと1例ありを、同じ開始配置群で比較する。
完了率、命令回数、位置ずれによる失敗数、一回の判断時間と総所要時間を記録する。比較基準には既存の作業手順を置き、画像を見直して誤認識と命令変換の失敗を区別する。結果が安定するまで対象作業を広げない。
限界と課題
著者らの実機試験ではブロックの籠入れと積み重ねを実施したが、積み重ねはより正確な位置合わせが必要で成功率が低いと述べる。布を畳む課題はさらに難しく、回転や姿勢調整が障害になり得ると考察している。
編集上の検証課題は、視点や照明が変わった時の位置把握、命令から動作への変換誤差、接触を伴う細かな操作、失敗後の再試行回数である。推論の待ち時間と動作時間も分けて測り、現場の作業速度を満たすか確かめる。
出典
元のタイトル・要旨を確認する(英語)
Transferring the Intelligence of VLMs to Robotic Control
Humans can seamlessly adapt to both physical and digital worlds, suggesting that while a digital-to-real gap exists in embodiment, environment and task, human intelligence itself may transfer across this gap. This naturally raises a fundamental question: can the intelligence of vision-language models (VLMs) similarly generalize from the digital world to the physical world for robotic control? We investigate this question through RoboDawn, a human-intuitive interface that exposes robotic control to an agentic VLM through a compact set of discrete translation, rotation, and gripper commands. Using this interface, the VLM controls a robot in a closed loop: it observes the current visual state, reasons about the next action, executes it, and adapts subsequent decisions to the resulting state. Furthermore, we introduce an in-context learning (ICL) scheme that uses a few demonstrations to ground the VLM in both interface usage and task-solving strategies. Experiments on RoboTwin 2.0 C2R and RoboDojo demonstrate that RoboDawn achieves strong performance without task-specific robot training. In the zero-shot setting, RoboDawn outperforms several strong policies trained on benchmarkspecific robot data, while a single in-context demonstration further yields substantial performance gains and establishes state-of-the-art (SOTA) results. On RoboTwin 2.0 C2R, the success rate increases from 53.2% zero-shot to 73.6% one-shot, exceeding the solid baseline π0.5 (46.0%). Similar gains are observed on RoboDojo, where success rate improves from 35.67% zero-shot to 47.17% one-shot. The same framework also transfers to real-world robots, performing block-in-basket and block stacking on Franka.
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




