Galaxea G0

Galaxea · 2025-08

VLA産業界モデル非公開非公開

高レベル指示をVLM plannerが処理し、VLA executorが実行する2階層構造である。

論文

バックボーンLLM: Gemma (PaliGemma、実行VLA) + Qwen2.5-VL (planner)
ビジョンエンコーダ: SigLIP + MLP projector
アクションヘッド: 非公開 (非公開)
チャンク: 非公開
制御周期: 200 Hz (計画 15 Hz)
構造の原文要約: dual-system: G0-VLM(Qwen2.5-VLベースのplanner、System 2) + G0-VLA(SigLIP + MLP projector + PaliGemma言語バックボーンのexecutor、System 1); 制御200Hz・計画15Hz

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 + 公開ロボットデータ(OXE)
データ規模: Galaxea Open-World Dataset 500 h、100K traj、150 task categories、50 scenes、58 skills; 学習混合 OXE 約1,000 h + Galaxea 500 h + 社内200 h
主要データセット: Galaxea Open-World Dataset、Open X-Embodiment、社内データ
タスク・評価: Table Bussing、Microwave Operation、Bed Making(4段階評価)、Blocks Stacking(言語追従); 定量値は未抽出
ロボット: Galaxea R1 Lite(23-DoF、ホイール・胴体付き双腕モバイル)

強化学習: 不使用 · 模倣学習(行動クローニング)のみ使用
ベース制御: 車輪型 (ベース速度・姿勢を直接出力) · G0-VLAの行動チャンクがシャーシ・トルソ・腕を同時に制御 (ベッドメイキングでシャーシ移動); シャーシ指令の形式は記載なし

主な特徴: 高レベル指示をVLM plannerが処理し、VLA executorが実行する2階層構造である。cross-embodiment事前学習 → single-embodiment事前学習 → 事後学習の3段階カリキュラムを使う。
備考: arXiv v1 2025-08-30(ノートの2025-09から修正)。G0-VLAの重みは2025-09-09にHF OpenGalaxea/G0-VLA・ModelScopeで公開(ノートの未確認から修正; 論文はCC BY-NC-SA 4.0で公開予定と表記)。データ時間(h)はGalaxea Open-World Dataset基準(学習混合の合計に関する記述なし)。論文にGPU・パラメータの記述なし。
検証: 修正反映