AI・ソフトウェア

3D Gaussian Splattingをロボットの環境理解に使う論文が3件出た。PanoGraphGSはパノプティック分割と階層的3Dシーングラフを統合し、フロア・部屋・物体の階層を復元する。ReplicaとNaviGSで物体ノード精度が最強の比較手法を平均50ポイント超上回り、実世界データセットNaviGSも公開した。AOV-GSはSAMとCLIPを用い、意味的に新しい視点を優先して探索する能動マッピングで、Replicaの言語場mIoUを幾何のみの計画より1.3ポイント改善した。SceneRigは単一画像から物体ごとに再構成し、幾何・物理のフィードバックで配置を補正してシミュレーション可能なシーンを作る。

VLAモデルの内部機構を、スパースオートエンコーダと因果的介入で調べた研究。タスクAの活性を別の場面のπ0.5に注入すると、99.6%のエピソードでAの動作軌道が実行され、動作が視覚上の物体でなく絶対的な作業空間座標に結び付くことが分かった。実機UR10eでも確認され、元の物体を10〜15cm動かしても記録座標で把持し、50/50回で誤動作した。6種のVLAを42万回超のロールアウトで調べ、どの構成も指示を符号化するが視覚より低く重み付けすることも示した。520超のSAEを収めた解析基盤Action Atlasも公開した。

ロボット操作の評価に関する論文2件がarXivに投稿された。RoboCasa-Shiftは、家庭内の長時間タスクでVLAが環境変化にどう崩れるかを段階別に診断するベンチマークで、GR00T N1.5を1,040回の試行で評価した。同じ低下幅でも、失敗が起きる段階は条件によって異なると分かった。もう1件はLIBERO-10で、GPT、Claude、Geminiなど6つの最先端モデルを18設定、1,800エピソードで評価した。最高の成功率はGPT-6 Astraの44%で、推論量を増やすと概ね向上した。両研究とも、評価用のコードや結果を公開している。

身体性基盤モデルの知覚を強化するため、空間グラウンディングの教師データを拡大した研究。ロボット操作の記録や一人称視点の映像などを、検証可能な教師データに変換するパイプラインを作り、Qwen3.5-9Bを約150万サンプルで微調整してACE-Brain-0.6を得た。公開ベンチマーク7件のうち4件でGPT-6 Astraを上回り、平均は75.41対73.68だった。データを0.26Mから1.55Mへ増やすと平均は69.3から75.4へ上がった。ただしPixMo-Countなど3件ではAstraに及ばず、ロボット操作の成功までは検証していない。

両手ロボットによる器用操作を評価するシミュレーションベンチマークBiDex-100が発表された。汎化、指示追従、少数デモ、長期タスク、記憶の5軸にわたる106タスクで構成し、各タスクには視覚・空間条件を変えた分布外版が付く。22自由度のハンドを持つ2種の機体に対応し、成功を検証済みの遠隔操作デモ8,080件（計625万フレーム）を提供する。最近のVLAモデル7種を共通条件で評価し、能力別の性能、頑健性、データ効率のベースラインを示した。コード、タスク、データ、評価ツールは公開予定とされる。

行動の大規模事前学習を持たない方策へ、事前学習済みの身体性基盤モデル（EFM）の能力を移す手法TILDEが提案された。生徒方策が実際に到達する状態で教師が教える方策内蒸留と、教師が実行した回復軌道からの学習を組み合わせる。さらにAutoDAggerは、報酬モデルで進捗を監視して教師の介入を自動で起動し、人手の監視なしに回復データを集める。回復軌道の収集は人が介入する方式より2倍以上速い。実機の3タスクで、行動模倣に比べ最大4.1倍の性能向上を示し、異なるアーキテクチャ間の蒸留にも有効だった。

連続空間のロボット計画では、接触モードなどの離散的な記号を使うと探索しやすくなるが、何が良い記号かは明確でなかった。本研究は、解法にとって問題を簡単にする記号を「ソルバー十分」と定義し、区分アフィン系でこれを厳密に特徴づけた。反例誘導による記号発明のアルゴリズムを作り、ニューラルネットのエネルギー関数にも拡張した。シミュレーションと実ロボットの課題で、解の質を保ちつつ解法コストが下がり、解釈性と操作性も高まった。同日の別研究では、拡散計画器が未知領域でエキスパートを選ぶより、20シーンの追加学習のほうが効果的だと示している。

flow-matching型VLAであるπ0.5の推論コストを下げるため、MambaActが提案された。事前学習済みの視覚言語エンコーダは維持し、Transformer製の行動エキスパートを小型のMamba製に置き換える。VLMトークンを圧縮するContext Compressorで条件付けを保つ。行動エキスパートは10分の1の大きさとなり、デノイズ遅延はLIBEROで64.8%、実環境で58.8%減った。LIBEROの平均成功率も1.08ポイント向上し、コードとモデル重みは公開されている。