VLAモデル
視覚情報と言語の指示を受け取り、行動の出力まで結びつけるモデルのこと。画像と言葉を理解して、次に何をするかを決める用途で使われる。
たとえば: 地図(視覚)と目的地の指示(言語)を読んで、次の一手を判断するナビ係みたいなもの。
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
- シミュレーション強化学習で、オープンウェイト推論モデルが実ロボット操作に転移する可能性
論文は、オープンウェイト27B推論モデルをデモなし・シミュレーションのみの強化学習で訓練し、実ロボット操作に転移できると報告する。PEARとRURLを提案し、LIBERO等で成功率の大幅な改善や汎用能力の劣化なしを示したという。
