Vision-Language-Action(VLA)モデル
画像などの視覚情報と言葉の指示を一緒に使って、次にどんな行動を取るかを決めるAIモデル。ロボットの操作の判断に使われる。
たとえば: 地図(視覚)と口頭の指示(言語)を合わせて、次の曲がり角でどう動くか決める運転手のようなもの。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- ヒューマノイドの長時間「移動+操作」を支える枠組みPGX:時間の流れと精密さを分担する
PGXは、長時間のloco-manipulationで課題となる時間構造と高精度制御を、学習不要の古典的コンポーネントに分担させる枠組み。述語ベース状態機械、フェーズ内VLAスキル、WCLの3層で実行を組み立て、シミュレーション3件と実機1件で改善を示した。
- OopsieRecover:少数の是正デモからVLAの失敗回復を学ばせる枠組み
VLAモデルのデプロイ時の失敗に対し、少数の是正デモの「意図」を外転で推論し、条件付きコストとして方策を誘導するOopsieRecoverが提案された。6タスクの実験で、新規状況への一般化を示したと報告している。
