π*0.6 (RECAP)

Physical Intelligence · 2025-11

VLAπシリーズ総計は非公開ハイブリッド

デモ・自律rollout・専門家による修正をアドバンテージ条件付きオフラインRL(RECAP)で反復学習する。

論文

バックボーンLLM: Gemma 3 4B
ビジョンエンコーダ: SigLIP 400M
アクションヘッド: π0.6アクションエキスパート + 価値関数 (670Mバックボーン) (ハイブリッド)
チャンク: 非公開
制御周期: 50 Hz
構造の原文要約: π0.6方策(Gemma 3 4B + 860M flowアクションエキスパート、関節・グリッパー50 Hz) + Gemma 3初期化の670Mバックボーン分布型価値関数(201 bins); 'Advantage: positive/negative'テキスト条件

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(価値関数学習・RECAP反復の計算量ともに)
データ種類: 実ロボットのテレオペレーションデモ + 自律rollout + テレオペレーションによる修正
データ規模: 事前学習デモ数万時間; 反復ごとの例: 洗濯物300軌跡(ロボット4台)、多様な洗濯物の評価450・修正287、失敗除去自律約1000・修正280+378(ロボット3台)、箱のデモ600・修正360、エスプレッソ修正429・自律414
主要データセット: PI事前学習混合(π0.5レシピ) + タスク別RECAP収集データ
タスク・評価: 洗濯物(Tシャツ・短パン、200 s)、多様な洗濯物11種(500 s)、失敗の除去(オレンジのTシャツ、200 s)、エスプレッソ(200 s)、箱の組み立て(600 s); 多様な洗濯物以外は成功率 90%+; エスプレッソは13時間連続、新しい家庭での洗濯物は2時間以上無停止
ロボット: 静的双腕(6-DoFアーム2本、平行グリッパ、カメラ3台、50 Hz関節制御)

強化学習: 使用 (VLAのRL事後学習) · RECAP: オフラインRLで事前学習した後、デモ・自律rollout・人の修正データで価値関数(670M)を学習し、アドバンテージ条件で方策を反復改善
強化学習の根拠: https://arxiv.org/html/2511.14759v1
ベース制御: 固定 · ベース制御なし (静的双腕、関節位置 50 Hz)

主な特徴: デモ・自律rollout・専門家による修正をアドバンテージ条件付きオフラインRL(RECAP)で反復学習する。難しいタスクの時間あたり成功回数を2倍以上に増やし、失敗率を約半分に減らした。
備考: 全段階の計算量は非公開。スループット2倍以上は多様な洗濯物・エスプレッソ基準。箱は実際の工場梱包用に組み立て。
検証: 確認