RLDX-1 技術レポート

要旨: 視覚-言語-行動モデル（VLA）は、事前学習済みの視覚-言語モデルから継承した、汎用的インテリジェンス（すなわち広範なシーン理解と、言語条件付けによる汎化）によって、人のような汎用ロボット政策に向けて目覚ましい進歩を遂げてきました。しかしそれでも、運動の認識、記憶を意識した意思決定、身体的センシングといった、より広い機能能力を必要とする複雑な現実世界のタスクでは依然として困難があります。これに対処するために、我々は、異種のモダリティを、モダリティ固有のストリームとモダリティ間の共同自己注意によって統合するアーキテクチャであるマルチストリーム・アクショントランスフォーマー（MSAT）に基づく、器用なマニピュレーションのための汎用ロボット政策 RLDX-1 を導入します。RLDX-1 はさらに、このアーキテクチャをシステムレベルの設計上の選択と組み合わせます。これには、稀なマニピュレーション状況に対する学習データの合成、人のようなマニピュレーションに特化した学習手順、リアルタイムでのデプロイのための推論最適化などが含まれます。実証的評価を通じて、RLDX-1 が、シミュレーションのベンチマークと、一般的な汎用性を超えた幅広い機能能力を必要とする現実世界のタスクの両方において、近年の最先端VLA（例: \pi_{0.5} と GR00T N1.6）を一貫して上回ることを示します。具体的には、RLDX-1 は ALLEX ヒューマノイドタスクにおいて、成功率 86.8% を達成し、\pi_{0.5} と GR00T N1.6 は約 40% にとどまります。これは、RLDX-1 が、多様な機能的要求のもとで高 DoF のヒューマノイドロボットを制御できる能力を示しています。これらの結果により、RLDX-1 は、複雑で接触が多く、ダイナミックな現実世界での器用なマニピュレーションに対して、信頼性の高いVLAへ向けた有望な一歩として位置付けられます。