Figure Helix

Figure AI · 2025-02

VLAヒューマノイドVLAS2 7B + S1 80M回帰

S2の潜在ベクトルをS1のトークン空間に射影して視覚特徴と連結し、1組の重みを回帰損失でend-to-end学習する。

論文

論文なし

バックボーンLLM: 非公開の7BオープンVLM
ビジョンエンコーダ: VLM内蔵 + 畳み込みビジョンバックボーン (S1)
アクションヘッド: S1 80Mエンコーダ・デコーダTransformer (回帰)
チャンク: 非公開
制御周期: 200 Hz
構造の原文要約: S2: 7BオープンVLM(7~9 Hz) → 潜在ベクトル / S1: 80M cross-attentionエンコーダ・デコーダTransformer + 完全畳み込みマルチスケールビジョンバックボーン、35-DoF連続行動200 Hz

事前学習アクセラレータ: 非公開
事前学習期間: 非公開
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 非公開
ファインチューニング: 非公開
データ種類: 実ロボットのテレオペレーション / 人の動画
データ規模: テレオペレーション~500時間(複数ロボット・複数操作者、VLM自動ラベリング); 物流スケーリング研究10~60時間; Go-Big人間動画の規模は非公開
主要データセット: 独自のテレオペレーションデータセット(非公開); Project Go-Big一人称人間動画
タスク・評価: 小さな家庭用物体の把持、引き出し・冷蔵庫操作、複数ロボット間ハンドオーバー; 物流でパッケージあたり4.05秒(~5.0秒から)、バーコード成功~95%(~70%から); デモ10→60時間で処理時間~6.84秒→4.31秒、バーコード88.2%→94.4%
ロボット: Figure 02上半身(手首・指・胴体・頭)、35-DoF

強化学習: 一部 (RL下位制御器との結合) · S2・S1は回帰損失の教師あり学習。2025年の歩行はシミュレーションRLで学習した別のニューラルネットが担当
ベース制御: 固定 · 上半身のみ制御 (手首・指・胴体・頭部、S1 200 Hz); 脚・歩行への言及なし

主な特徴: S2の潜在ベクトルをS1のトークン空間に射影して視覚特徴と連結し、1組の重みを回帰損失でend-to-end学習する。洗濯・食洗機アップデートはモデル・ハイパーパラメータを変えずにデータのみ追加した。
備考: パラメータ(B)は7B + 80Mの合計。S1ビジョンバックボーンはシミュレーション事前学習で初期化し、S1・S2入力にデプロイ遅延分の時間オフセットを置く。物流アップデート(2025-06-07)でVision Memory・状態履歴・力フィードバックを追加。Go-Big(2025-09-18)は100%一人称人間動画で言語指示ナビゲーションを学習。2025年の歩行は別のRL制御器(別行)。Helix 02(2026-01)は範囲外。
検証: 確認