論文の概要: InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy

• arxiv url: http://arxiv.org/abs/2510.13778v1
• Date: Wed, 15 Oct 2025 17:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.790733
• Title: InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy
• Title（参考訳）: InternVLA-M1:ジェネラリストロボット政策のための空間誘導型ビジョンランゲージ・アクション・フレームワーク
• Abstract要約: 空間接地とロボット制御のための統合フレームワークであるInternVLA-M1を紹介する。 InternVLA-M1は、(i)2.3M以上の空間的推論データに基づく空間的グラウンドトレーニングと(ii)空間的に誘導された後トレーニングという、2段階のパイプラインを使用する。 結果: InternVLA-M1 は SimplerEnv Google Robot で+14.6%、WidowX で+17%、LIBERO Franka で+4.3% で、空間誘導なしでその変種を上回った。
• 参考スコア（独自算出の注目度）: 138.89177083578213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce InternVLA-M1, a unified framework for spatial grounding and robot control that advances instruction-following robots toward scalable, general-purpose intelligence. Its core idea is spatially guided vision-language-action training, where spatial grounding serves as the critical link between instructions and robot actions. InternVLA-M1 employs a two-stage pipeline: (i) spatial grounding pre-training on over 2.3M spatial reasoning data to determine ``where to act'' by aligning instructions with visual, embodiment-agnostic positions, and (ii) spatially guided action post-training to decide ``how to act'' by generating embodiment-aware actions through plug-and-play spatial prompting. This spatially guided training recipe yields consistent gains: InternVLA-M1 outperforms its variant without spatial guidance by +14.6% on SimplerEnv Google Robot, +17% on WidowX, and +4.3% on LIBERO Franka, while demonstrating stronger spatial reasoning capability in box, point, and trace prediction. To further scale instruction following, we built a simulation engine to collect 244K generalizable pick-and-place episodes, enabling a 6.2% average improvement across 200 tasks and 3K+ objects. In real-world clustered pick-and-place, InternVLA-M1 improved by 7.3%, and with synthetic co-training, achieved +20.6% on unseen objects and novel configurations. Moreover, in long-horizon reasoning-intensive scenarios, it surpassed existing works by over 10%. These results highlight spatially guided training as a unifying principle for scalable and resilient generalist robots. Code and models are available at https://github.com/InternRobotics/InternVLA-M1.
• Abstract（参考訳）: InternVLA-M1は、空間接地とロボット制御のための統合されたフレームワークで、命令追従ロボットをスケーラブルで汎用的なインテリジェンスに進化させる。 その中核となる考え方は空間誘導型視覚言語行動訓練であり、空間的接地は指示とロボットの行動の間に重要なリンクとなる。 InternVLA-M1には2段階のパイプラインがある。 2三百万以上の空間的推論データに基づく空間的接地事前学習において、視覚的、具体的、非知的な位置と指示を整合させることにより「行動すべき場所」を決定すること (2) プラグアンドプレイ空間的プロンプトにより身体認識行動を生成することにより, 「行動の仕方」を決定するための空間的指導行動。 InternVLA-M1は、SimplerEnv Google Robotで+14.6%、WidowXで+17%、LIBERO Frankaで+4.3%、ボックス、ポイント、トレース予測でより強力な空間推論能力を示している。 さらに,200のタスクと3K以上のオブジェクトに対して平均6.2%の改善を実現し,244Kの一般化可能なピック・アンド・プレイスエピソードを収集するシミュレーションエンジンを構築した。 現実世界のクラスタ化されたピック・アンド・プレイスでは、InternVLA-M1は7.3%改善され、合成コトレーニングにより、目に見えない物体や新しい構成で+20.6%を達成した。 さらに、長期にわたる推論集約的なシナリオでは、既存の作品を10%以上超えた。 これらの結果は、スケーラブルでレジリエントなジェネラリストロボットのための統一原則として、空間的指導によるトレーニングを強調している。 コードとモデルはhttps://github.com/InternRobotics/InternVLA-M1.comで公開されている。

関連論文リスト

• HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone [19.886495773199023]
  移動式UMIデータ生成システムであるHiFi-UMIについて述べる。 実ロボットに直接デプロイするHiFi-UMIの実証にのみ焦点を絞った、ゼロロボットのポストトレーニングを実証する。 我々はHiFi-UMI-2Kをオープンソースとして公開し、2000時間のマイクロ同期、超広汎FoVデモをロボット学習コミュニティの大規模かつ高忠実なリソースとして公開しました。
  論文  参考訳（メタデータ） (2026-07-28T15:52:02Z)
• From Foundation to Application: Improving VLA Models in Practice [62.1552185059214]
  3つの機能ドメインの改善を通じてLingBot-VLAを進化させるLingBot-VLA 2.0を提案する。 以前のバージョンと比較して、データ処理パイプラインを改訂し、事前トレーニングのために約6万時間のデータをキュレートします。 特に,本システムでは,頭部,腰,移動台,器用な手の自由度を考慮し,ロボットがより複雑なタスクを現実的なシナリオでこなせるようにしている。
  論文  参考訳（メタデータ） (2026-07-07T15:33:12Z)
• ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI [110.18670135256235]
  Embodied AIは、独立した知覚やアクションモジュールから、目標を理解し、計画し、進捗を監視し、経験から改善する物理的なエージェントへと移行している。 ACE-Brain-0.5は,ロボットの知性を5つの結合関数にまとめる統一的な基礎モデルである。 単一の8Bバックボーンは、最初の4つの機能をインスタンス化する: オブジェクトとアベイランスを接地し、3Dとエゴセントリックな空間関係を推論し、命令をサブゴールに分解し、ナビゲーションと操作アクションを生成し、検証と回復の進捗を推定する。
  論文  参考訳（メタデータ） (2026-07-05T17:43:06Z)
• A Semantic Autonomy Framework for VLM-Integrated Indoor Mobile Robots: Hybrid Deterministic Reasoning and Cross-Robot Adaptive Memory [5.2851376150891864]
  本稿では,セマンティックな屋内ナビゲーションのための6層参照フレームワークを提案する。 7ステップのパラメトリックリゾルバは、言語モデル、カメラ、GPUを呼び出すことなく0.1ミリ秒未満で88%の命令を処理する。 明示的なスコープ分類を持つ5カテゴリセマンティックメモリフレームワークは、クロスセッション学習とクロスロボット知識伝達を可能にする。
  論文  参考訳（メタデータ） (2026-05-04T12:27:03Z)
• Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
  汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。 本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。 ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-03-02T17:38:58Z)
• Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
  既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。 本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。 我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
  論文  参考訳（メタデータ） (2026-02-23T11:00:08Z)
• MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation [56.30931340537373]
  MolmoSpacesは、ロボットポリシーのベンチマークをサポートするための、完全にオープンなエコシステムである。 MolmoSpacesは230万以上の屋内環境で構成されている。 MolmoSpaces-Benchは8つのタスクのベンチマークスイートで、ロボットが私たちの多様なシーンとリッチな注釈付きオブジェクトと対話する。
  論文  参考訳（メタデータ） (2026-02-11T20:16:31Z)
• ST4VLA: Spatially Guided Training for Vision-Language-Action Models [80.35847468618276]
  大規模視覚言語モデル(VLM)はマルチモーダル理解において優れるが、具体化されたタスクに拡張されると不足する。 本稿では,動作学習と空間的先行時間との整合性を実現するための2元系ビジョン・ランゲージ・アクション・フレームワークST4VLAを紹介する。 ST4VLAは、Google Robotでは66.1 -> 84.6、WidowX Robotでは54.7 -> 73.2、バニラVLAよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-02-10T18:59:17Z)
• Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation [14.833622989644352]
  我々は、自然言語コマンドを信頼性の高い操作に変換する軽量で完全なオンデバイスパイプラインを開発した。 Instruct2Actは91.5%のサブアクション予測精度を達成し、フットプリントは小さい。 その結果, DATRNに基づく軌道生成と視覚誘導グラウンド化と相まって, 決定論的, リアルタイムな操作を行うための実践的な経路が得られた。
  論文  参考訳（メタデータ） (2026-02-10T16:25:39Z)
• SpaceVista: All-Scale Visual Spatial Reasoning from mm to km [43.506658643163405]
  本稿は,2つの課題に対処することで,多様なシナリオをまたいだ空間的推論を促進することを目的とする。 屋内の3Dスキャンと、データセットのキュレーションのための労働集約的な手作業アノテーションに大きく依存する。 本稿では,構造化空間推論システム,スケール・アウェア・モデリング,プログレッシブ・トレーニング・パラダイムを統合した総合的なソリューションを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:59:46Z)
• RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics [54.441878000440965]
  空間参照は、3D物理世界と相互作用するエンボディロボットの基本的な能力である。 本稿では,まず空間的理解を正確に行うことのできる3次元VLMであるRoboReferを提案する。 RFTで訓練されたRoboReferは最先端の空間理解を実現し、平均成功率は89.6%である。
  論文  参考訳（メタデータ） (2025-06-04T17:59:27Z)
• SpatialVLA: Exploring Spatial Representations for Visual-Language-Action Model [45.03115608632622]
  空間理解はロボット操作のキーポイントです 本研究では,ロボット基盤モデルのための効果的な空間表現を探索する空間VLAを提案する。 提案したAdaptive Action Gridsは,事前学習したSpatialVLAモデルを微調整し,新しいシミュレーションと実世界のセットアップを実現するための,新しい効果的な方法を提供する。
  論文  参考訳（メタデータ） (2025-01-27T07:34:33Z)
• Open-vocabulary Mobile Manipulation in Unseen Dynamic Environments with 3D Semantic Maps [16.083092305930844]
  Open-Vocabulary Mobile Manipulation (OVMM)は、自律ロボットにとって重要な機能である。 ゼロショット検出とグラウンドド認識機能を活用した新しいフレームワークを提案する。 我々は,10-DoFモバイル操作ロボットプラットフォームJSR-1を構築し,実世界のロボット実験で実証した。
  論文  参考訳（メタデータ） (2024-06-26T07:06:42Z)
• Habitat 2.0: Training Home Assistants to Rearrange their Habitat [122.54624752876276]
  インタラクティブな3D環境で仮想ロボットを訓練するためのシミュレーションプラットフォームHabitat 2.0(H2.0)を紹介する。 エンボディされたAIスタックのすべてのレベル – データ、シミュレーション、ベンチマークタスク – にコントリビューションを行います。
  論文  参考訳（メタデータ） (2021-06-28T05:42:15Z)
• Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
  本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。 VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。 ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
  論文  参考訳（メタデータ） (2020-11-07T16:49:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。