˗ˏˋ📺テレビOA情報ˎˊ˗ 宮崎マネージャーです💁‍♀️ 本日深夜0:58〜 TBS『#ふるさとの未来』放送です！# 今夜は株式会社Preferred Roboticsをご紹介します🤖 ︎今週もぜひご覧ください💡 #宮崎由加#

Y Combinatorの募集中アイデア⑩ 「物理世界のデータ」 コードも言語も画像も超人的。だが物理世界は。。。 いまだにAIではなく人間のために設計された遠隔センサーの、疎なデータで作業している。基盤モデルの改善とセンサーコストの急落で、高密度な収集がついに現実的に。Gecko Roboticsはロボットで到達困難な場所のデータを集め、Sorcerer（投資先！）は自律気象気球のデータを米政府の気象予報に供給している。 エネルギー、農業、物流、建設。世界最大の産業はどれも限られたデータと直感に依存している。データが増えれば精密にモデル化でき、モデル化できれば制御できる。ハリケーンの進路を変える。砂漠化を反転させる。

The Silicon Valley Post (@TheSVPost) によるY Combinator P26バッチのトップHardtechスタートアップ一覧が発表されました！ + Adialante - あらゆるクリニックに導入できるコンパクトな移動式全身MRI + @9Mothers - 米国政府向けAI搭載カウンタードローンシステム + General Aviation - すべての航空機・ドローン・ロケットに対応する衛星ベース航空管制 + Apollo Atomics - 平ボディトラックで輸送できる小型加圧水型原子炉 + Dispatch - 軌道上で製造した物資を地球に持ち帰る再突入機 + Lumius - 従来の数分の一のコストで使えるポータブル3D超音波 + synphony - カリフォルニア農家向けイチゴ収穫ロボットと農場ソフトウェア + Eden Robotics - 時間貸しの製造業向けセミヒューマノイドロボット 弊ファンドからは4社に投資実行しています✌️

🤖 知覚も、計画も、実行も、失敗からの立て直しも、全部ひとつのモデルで。たった8BでGPT-5.4を超えるロボット基盤モデルが登場しました。 タイトル: Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models URL: 📝 概要 Embodied-R1.5は、身体的認知・タスク計画・誤り修正・pointingを単一アーキテクチャに統合したEmbodied Foundation Model（EFM）です。タスクごとに専用モデルを作る従来路線から脱却し、汎用的な物理知能を目指します。 🧩 解決する課題 ロボットAIには知覚・推論・計画・実世界での実行が必要ですが、これまでは個別タスクごとに別モデルを用意するのが普通でした。本研究はそれらを1つに束ね、長い時間軸のタスクを自律的にこなすことを狙います。 🛠 方法論・提案手法 ・15B超トークンを自動生成するデータ構築パイプライン ・異種タスクの衝突を抑えるマルチタスク・バランス型の強化学習レシピ ・Planner→Grounder→Correctorのクローズドループ（PGC）で自律実行と自己修正を実現 📊 実験結果 ・8Bパラメータで24の身体ベンチマーク中16でSOTA、Gemini-Robotics-ER-1.5やGPT-5.4を上回る ・4つの操作スイートでπ0.5を上回る ・実ロボットでも強い汎化を確認 🎯 ユースケース 重み・データ・学習コードに加え、評価フレームワークEmbodiedEvalKitもオープンソース化。ロボット操作や長時間タスクの自律実行・自己修正の研究基盤として使えそうです。 #EmbodiedAI# #Robotics#

🤖 高価なロボット実演データの不足を、私たちの「一人称視点の日常動画」で補う。人間の手の動きをロボットの行動に変換してVLAを学習させる研究です。 📰 タイトル: ACE-Ego-0: Unifying Egocentric Human and Robotic Data for VLA Pretraining 🔗 URL: 💡 概要 ロボットの実演データと、Ego4DやEPIC-KITCHENSのような一人称視点の人間動画を統一して、Vision-Language-Action（VLA）モデルを事前学習する枠組み「ACE-Ego-0」の提案です。合計6,000時間超のデータで学習しています。 🔍 解決する課題 ロボット実演の収集は高コストですが、人間動画は安価で豊富です。ただし両者は行動空間・身体構造・時間の進み方・教師信号の品質がバラバラで、素朴に混ぜると学習が壊れてしまう点が課題でした。 🛠 方法論と提案手法 ・行動を頭部カメラ座標系の6D回転で統一表現し、人間の手もエンドエフェクタとして扱う ・ロボットのURDFをGNNでモルフォロジートークン化し構造差を吸収 ・固定ステップでなく一定の物理時間でチャンク分割して時間を整列 ・ノイジーな人間動画には信頼性重み付け損失を適用し、信頼できる位置情報に集中 📊 ユースケース / 実験結果 シミュレーションのRoboCasaで平均72.8%（GR00T-N1.6の47.6%を大きく上回る）、RoboTwin 2.0で約91%を達成。実機の両腕ロボットでも平均78.3%（π0.5は71.7%）。特にロボット実演34件しかないタスクで、人間動画419本を足すと成功率が10%→40%へと4倍に改善しました。 #ロボット学習# #VLA#