EgoScale

NVIDIA GEAR + UC Berkeley + University of Maryland · 2026-02

VLA2026年の新モデル非公開flow matching

一人称の人間動画20,854時間以上でVLAを事前学習し、器用な操作課題の平均成功率を54%向上させた。

論文

バックボーンLLM: 記載なし (GR00T N1設計のVLバックボーン)
ビジョンエンコーダ: —
アクションヘッド: DiT flowエキスパート + エンボディメント別MLP (flow matching)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: GR00T N1設計: VLバックボーン + DiTアクションエキスパート(フロー) + エンボディメント別MLPアダプタ; 相対SE(3)手首 + 22-DoFハンド関節(人間の手のキーポイント21個をリターゲット)

事前学習アクセラレータ: GB200 256個 (Stage I 人間データ事前学習)
事前学習期間: 非公開
事前学習ステップ・バッチ: Stage I 100K steps、バッチ8,192、LR 5×10⁻⁵
GPU・TPU時間: 非公開
ファインチューニング: Stage II(人間・ロボット整合の中間学習)50K steps・バッチ2,048、Stage III(事後学習)10K steps・バッチ512; GPU・時間は記載なし
データ種類: 人の動画(一人称、アクションラベル付き) + 実ロボットのテレオペレーション(整合のための中間学習)
データ規模: 一人称の人間動画20,854時間以上(EgoDex 829時間を含む); 中間学習は人間約50時間 + ロボット4時間(344課題)
主要データセット: 独自のin-the-wild一人称録画、EgoDex
タスク・評価: 器用さ5タスク(シャツ巻き・カード分類・トングでの果物移動・ボトルキャップ・注射器); 事前学習なし比で平均成功率+54%; ワンショットのシャツたたみ 0.88・水ボトル開け 0.55
ロボット: Galaxea R1Pro + Sharpa Wave 22-DoFハンド; Unitree G1 + 7-DoF三指ハンド(下半身HOMIE)

強化学習: 不使用 · 人の動画による事前学習 → 整合のための中間学習 → デモによるファインチューニング(教師あり学習)
強化学習の根拠: https://arxiv.org/html/2602.16710
ベース制御: 固定 · R1 Proはベース・トルソ固定を明記(腕の相対EE + 手); G1は上半身の目標のみ出力、下半身のバランス・歩行は別のHOMIE方策

主な特徴: 一人称の人間動画20,854時間以上でVLAを事前学習し、器用な操作課題の平均成功率を54%向上させた。データ1k→20k時間で平均完了率が0.30→0.71に向上した。
備考: 修正反映: 256 GB200はStage Iのみに結びつく記述で、Stage II・IIIのGPUは記載なし。シーン9,869・タスク6,015・物体43,237はin-the-wild収録分基準。プロジェクトページの'22k Hours'ラベルと矛盾するため論文値を使用。GR00T N1.7の人データの基盤。重み・データ公開の一次根拠なし(確認不可)。データ時間(h)はStage Iの人の動画分。検証損失 L = 0.024 − 0.003·ln(D), R² 0.9983。
検証: 修正反映