Open-VLA

1. サービス概要

Open-VLA（Open Vision-Language-Action Model）は、ロボット制御のためのオープンソースのVision-Language-Action（VLA）モデルである。Stanford大学、UC Berkeley、Toyota Research Institute（TRI）の研究者らにより開発された。7Bパラメータの大規模モデルであり、Prismatic VLM（Vision-Language Model）をベースにファインチューニングされている。カメラ画像と自然言語の指示を入力として受け取り、ロボットの行動（アクション）を直接出力するエンドツーエンドのモデルアーキテクチャを採用している。Open X-Embodimentデータセットを用いた大規模な学習により、多様なロボットプラットフォームやタスクに対する汎化能力を実現している。Apache 2.0ライセンスで公開されており、研究・商用利用の両方が可能である。

2. 使用している技術スタック

• モデルアーキテクチャ: Vision-Language-Action（VLA）モデル。7Bパラメータ
• ベースモデル: Prismatic VLM（視覚言語モデル）をベースにロボット行動出力層を追加
• 視覚エンコーダ: SigLIP + DinoV2のデュアルビジョンエンコーダ
• 言語モデル: Llama 2 7Bベース
• 学習データ: Open X-Embodimentデータセット（970K以上のロボットエピソード）
• 学習手法: 教師あり学習（行動クローニング）。LoRAによる効率的なファインチューニングにも対応
• フレームワーク: PyTorch、Hugging Face Transformers
• ライセンス: Apache 2.0
• リポジトリ: github.com/openvla/openvla

3. 会社概要

項目	内容
プロジェクト名	Open-VLA（Open Vision-Language-Action）
開発元	Stanford大学、UC Berkeley、Toyota Research Institute
主要研究者	Moo Jin Kim、Chelsea Finn、Sergey Levine、Dorsa Sadigh
ライセンス	Apache 2.0
カテゴリ	オープンソースロボット基盤モデル
モデルサイズ	7Bパラメータ

4. 沿革、資本構成、国籍、役員情報

沿革

• 2023年: Open X-Embodimentプロジェクトが公開。Google DeepMind主導で世界中のロボティクス研究所からロボットデータを集約した大規模データセットが構築される。RT-2-Xモデルが発表される
• 2024年: Open-VLAが発表・公開。Prismatic VLMベースのオープンソースVLAモデルとして、RT-2-Xに匹敵する性能をオープンに提供
• 2024年: Hugging Face Hub上でモデルウェイトを公開。研究コミュニティでの利用が拡大
• 2024年: LoRAベースの効率的なファインチューニング手法を提供し、個別タスクへの適応を容易化

研究機関の概要

• Stanford大学: AI研究の世界的拠点。Stanford AI Lab（SAIL）、Stanford Vision & Learning Lab（SVL）を中心にロボット学習研究を推進
• UC Berkeley: Berkeley AI Research Lab（BAIR）が世界有数のロボティクス・AI研究を展開
• Toyota Research Institute（TRI）: トヨタ自動車の米国AI研究所。2015年設立。ロボティクス・自動運転の研究開発に注力。年間約10億ドルの研究予算

主要研究者

• Moo Jin Kim（筆頭著者）: Stanford大学博士課程。ロボット基盤モデルの研究
• Chelsea Finn（共著者）: Stanford大学助教。メタラーニング・ロボット学習の第一人者。Physical Intelligenceの共同創業者でもある
• Sergey Levine（共著者）: UC Berkeley教授。強化学習・ロボット学習の世界的権威
• Dorsa Sadigh（共著者）: Stanford大学助教。人間-ロボットインタラクション・ロボット学習の研究者