RLDX-1 テクニカルレポート

視覚言語行動モデル（VLA）は、事前学習された視覚言語モデルから受け継いだ汎用知能により、人間らしい汎用ロボットポリシーへの顕著な進歩を遂げています。しかし、それでもなお、複雑な現実世界のタスク、特に動作認識、記憶に基づく意思決定、物理的センシングといった広範な機能能力を必要とするタスクでは課題が残っています。この問題を解決するために、複数の研究機関からなるチームがRLDX-1を開発しました。RLDX-1は、マルチストリームアクショントランスフォーマー（MSAT）と呼ばれる新しいアーキテクチャに基づいています。MSATは、モダリティ固有のストリームを用いて視覚、言語、触覚などの異なるモダリティを個別に処理し、クロスモーダル共同自己注意機構を通じてそれらを効果的に融合します。この設計により、RLDX-1は動作認識、記憶に基づく意思決定、物理的センシングを統一的に扱うことができます。さらに、RLDX-1はシステムレベルの革新も取り入れています。具体的には、稀な操作シナリオのための合成トレーニングデータの生成、人間らしい操作に特化した学習手順、そしてリアルタイム展開のための推論最適化です。これらの取り組みにより、RLDX-1はシミュレーションベンチマークと現実世界のタスクの両方で、π0.5やGR00T N1.6などの最先端モデルを一貫して凌駕する結果を示しました。特にALLEX人型タスクでは、RLDX-1は86.8%の成功率を達成し、比較対象のモデルは約40%に留まりました。この結果は、RLDX-1が高い自由度を持つ人型ロボットを多様な機能要求の下で制御できることを強調しています。本技術レポートは67名の著者により執筆され、2026年5月5日にarXivに提出されました。RLDX-1の成功は、複雑で接触が多く動的な環境における信頼性の高いVLAの実現に向けた重要な一歩です。今後、プロジェクトページを通じてコードやデモが公開される予定であり、ロボット学習コミュニティへの貢献が期待されます。