Physical AI Lab // 第 3.1 話 // 小テスト

VLAを分解: 三つのモデル

視覚エンコーダー、言語バックボーン、行動ヘッド

01あるチームが双腕ロボットに服をたたませたいと考えています。速くてなめらかな連続動作が必要ですが、OpenVLA では動作が追いつかず、カクカクします。動画の分解に従うと、まずどの部分を疑うべきですか?

02「π-zero と GR00T N1 の行動ヘッドはどちらも連続した動作を出すので、まったく同じだ」という人がいます。動画に照らして、より正確なのは?

03フローマッチングのような連続動作の生成が、服をたたむような速くて細かい作業に向いているのはなぜですか?

04三つのモデルはどれも、世界を見る部分と言語の部分をゼロから学習せず、既存のオープンモデルを借りています。動画が挙げたおもな理由は?

05新しい双腕ロボットで三つのモデルを試したところ、パラメータが最も少ない GR00T N1 が OpenVLA よりよい結果を出しました。最も妥当な読み方は?