論文の概要: G0.5: One Autoregressive Stream for Robot Reasoning and Action
- arxiv url: http://arxiv.org/abs/2608.11739v1
- Date: Wed, 12 Aug 2026 07:26:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.489131
- Title: G0.5: One Autoregressive Stream for Robot Reasoning and Action
- Title（参考訳）: G0.5:ロボットの推論とアクションのための自動回帰ストリーム
- Abstract要約: 本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。
推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的な振る舞いへと引き継がれる。
G0.5は7つの独立した体制で最先端のモデルを上回っている。
- 参考スコア（独自算出の注目度）: 43.43377463558725
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The prevailing recipe for Vision-Language-Action (VLA) models couples a pretrained VLM with a separately trained flow-matching action expert. This makes the VLM a context encoder rather than a decision-maker. We introduce G0.5, a pretrained autoregressive VLA in which a single transformer decoder emits reasoning and action tokens under a single objective. Three components make this tractable at foundation-model scale: a learnable cross-embodiment action tokenizer that maps heterogeneous robot actions into a shared vocabulary; a native chain-of-thought stream interleaving task decomposition, object grounding, and action hints with action tokens; and a visual memory module that injects multi-second history through the vision encoder. Because reasoning and action share a single set of weights, the pretrained VLM's capabilities carry over to physical behavior: the model follows instructions closely, and prompts directly steer action granularity, task horizon, and out-of-distribution scene handling without further training. Pretrained on a large collection of robot datasets together with VQA samples, G0.5 surpasses state-of-the-art models across 7 independent regimes: real-world fine-tuning on R1lite and R1pro robots (76.7\% vs.\ 53.3\% for $π_{0.5}$ and 24.4\% for GR00T-N1.7), the 2025 BEHAVIOR Challenge on 50 long-horizon household mobile manipulation tasks using a generalist policy (31.4\% vs.\ 26.3\% for $π_{0.5}$ and 26.1\% for the challenge winner), DROID post-training followed by zero-shot transfer to an unseen environment and objects (82.5\%), a language-following Pick-and-Place benchmark, LIBERO (98.9\%), RoboTwin 2.0 (93.3\%), and SimplerEnv-Bridge (87.3\%).
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルの一般的なレシピは、トレーニング済みのVLMと、個別にトレーニングされたフローマッチングアクションエキスパートを結合する。
これにより、VLMは意思決定者ではなくコンテキストエンコーダとなる。
本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。
ヘテロジニアスなロボットアクションを共有語彙にマッピングする学習可能なクロス・エボディメント・アクション・トークンー、ネイティブチェーン・オブ・ストリーム・インターリーブタスク分解、オブジェクトグラウンド、アクションヒントにアクショントークンを注入するビジュアルメモリモジュール、ビジョンエンコーダを通じてマルチ秒の履歴を注入するビジュアルメモリモジュールである。
推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的行動に受け継がれ、モデルは指示を忠実に追従し、さらなる訓練をせずに直接、アクションの粒度、タスク・ホライズメント、アウト・オブ・ディストリビューション・シーン・ハンドリングを誘導する。
ロボットデータセットの大規模なコレクションとVQAサンプルを併用したG0.5は、R1liteとR1proの実際の微調整(76.7%対)という、7つの独立した体制にわたる最先端のモデルを上回っている。
\ 53.3\% for $π_{0.5}$と24.4\% for GR00T-N1.7, the 2025 BEHAVIOR Challenge on 50 long-horizon household mobile operations using a generalist policy (31.4\% vs.
26.3\% for $π_{0.5}$と26.1\%、DROIDポストトレーニングに続いて、目に見えない環境とオブジェクト(82.5\%)、言語に追従するピック・アンド・プレイスのベンチマーク、LIBERO (98.9\%)、RoboTwin 2.0 (93.3\%)、SimplerEnv-Bridge (87.3\%) へのゼロショット転送が行われた。
関連論文リスト
- WLA$^3$: World Latent Action Modeling for Semantics, Dynamics, and Kinematics [33.75014442121971]
WLA$3$ (World Latent Action Modeling for Semantics, Dynamics, and Kinematics)は、統一的なジェネラリストポリシーモデルフレームワークである。
WLA$3$は、世界潜在アクションモデル(WLAM)が、セマンティクス、ダイナミクス、キネマティクスで学んだ表現を再利用する。
LaryBenchでは、最後の32D遅延アクションは67.89%の平均的な分類精度に達する。
論文 参考訳（メタデータ） (2026-09-14T16:59:00Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。
固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。
本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
論文 参考訳（メタデータ） (2026-08-27T17:59:40Z) - LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。
我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
論文 参考訳（メタデータ） (2026-08-26T13:05:29Z) - Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models [15.173629384871013]
VLA(Vision-Language-Action)モデルは、マルチモーダルコンテキストをロボットアクションに変換することができるが、そのアクションデコーダは行動クローニングによって主に訓練されている。
Intention Distillation (INDI) を提案する。
論文 参考訳（メタデータ） (2026-08-24T16:42:49Z) - GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。
純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。
自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
論文 参考訳（メタデータ） (2026-08-18T18:21:36Z) - Training Vision-Language-Action Models with Dense Embodied Chain-of-Thought Supervision [26.793499191581315]
視覚言語アクション(VLA)モデルにおける異体間移動は依然として困難である。
ZR-0は260億のパラメーター-エンドツーエンドのVLAモデルであり、密なエンボディード・チェーン・オブ・レーソン(ECoT)の監督を用いて、クロスボディーメント表現を整列させる。
論文 参考訳（メタデータ） (2026-06-29T16:48:48Z) - Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。
このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。
本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
論文 参考訳（メタデータ） (2026-06-07T08:57:51Z) - Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。
統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
論文 参考訳（メタデータ） (2026-05-26T18:52:04Z) - FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies [26.96931937675281]
FineVLAは、アクションアライメントされたきめ細かいVLA監視のためのオープンフレームワークである。
オープンソースの10のロボットデータセットから85Kタスクにまたがる992,247のトラジェクトリを統一する。
500本のビデオ、10,816件の原子性事実と1,030件のVQA質問のベンチマークがある。
論文 参考訳（メタデータ） (2026-05-26T17:01:10Z) - RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。
潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。
RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
論文 参考訳（メタデータ） (2026-05-13T11:58:02Z) - Human-to-Robot Interaction: Learning from Video Demonstration for Robot Imitation [5.967530183571141]
人間とロボットの模倣学習パイプラインは、ロボットが非構造化ビデオデモから直接操作スキルを取得することを可能にする。
鍵となる革新は、学習プロセスを2つの異なる段階に分離するモジュラーフレームワークである。
ロボット操作では,全ての動作の平均成功率は87.5%であり,タスク達成で100%,複雑なピック・アンド・プレイス操作で90%に達する。
論文 参考訳（メタデータ） (2026-02-22T13:26:27Z) - Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。
PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。
ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
論文 参考訳（メタデータ） (2025-08-13T13:54:51Z)
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。