AIRoAの研究成果3件とデモプロポーザルがCoRL 2026に採択されました

AIRoAの研究成果3件と、YUBIを用いたデモプロポーザルが、Conference on Robot Learning（CoRL）2026に採択されました。会期中には、採択された研究成果の発表に加え、11月9日および10日にCoRL公式のデモエリアで体験型デモンストレーションを実施予定です。また、AIRoA主催ワークショップ「The UMI Arena: From Handheld Devices to Real-World Policies」も開催します。AIRoAの展示ブースでは、Franka＋YUBIおよびELEYを用いた、現在開発中のモデルによる実機デモを予定しています。

論文発表、ワークショップ、実機デモを通じて、大規模な実世界ロボットデータの収集から、ロボット基盤モデルやVLAモデルの汎化・ロバスト性向上、実ロボットへの展開まで、AIRoAが取り組む幅広い研究開発を紹介します。

Research Summaries

See Less, Specify More: Visual Evidence Budgets for Generalizable VLAs

VLAは短い言語指示と情報量の多いカメラ画像を頼りに、「何をするか」と「どこを見るか」を判断しなければなりません。S2では、各ステップでの指示をより具体的にし (Specify More) 、画像の中でもタスクに関わる部分に注目して (See Less) 動けるようにしました。実ロボットでの評価では、新しいタスクや物が多い環境でも、これまでより安定して作業できるようになりました。

YUBI: Yielding Universal Bidigital Interface for Bimanual Dexterous Manipulation at Scale

UMI (Universal Manipulation Interface) のような従来の手持ち型データ収集デバイスはピストル型で装置自体が大きく、両手を使う細かな作業には扱いにくいものでした。YUBIは指に装着する軽量なグリッパーで、指の動きに合わせて開閉し、その動きをVRデバイスで記録します。YUBIを用いて8,434時間、120万エピソード、119タスクに及ぶ大規模なデータセットを構築し、そのデータで学習した1つのモデルが複数の異なるロボットを操作できることを示しました。

CounterAlign: Counterfactual Supervision for Vision-Language-Action Models

ロボットは通常、成功したデモンストレーションから学ぶため、うまくいった例は多く見ても、うまくいかない例に触れる機会はほとんどありません。CounterAlignでは、手元のデモンストレーションに別の指示や行動を組み合わせることで「指示に合わない例」をつくり、データを追加で集めずに、オフライン逆強化学習で方策を最適化できるようにしました。物体の位置やタスクが変わる場面でも指示どおりに動けるようになり、シミュレーションと実ロボットの両方で効果を確認しています。

11/12 AIRoA主催ワークショップ

The UMI Arena: From Handheld Devices to Real-World Policies

AIRoAは、CoRL 2026においてワークショップ「The UMI Arena: From Handheld Devices to Real-World Policies」を主催します。

近年、UMIをはじめとするハンドヘルド型データ収集デバイスの登場により、実世界でのロボット動作データの大規模収集が急速に進んでいます。一方で、データ収集デバイスや学習したロボットポリシーは、使用するロボットやタスク、評価方法がそれぞれ異なるため、横断的な比較や評価が難しいという課題があります。

本ワークショップでは、この課題に対し、共通の評価環境（Arena）を提供します。参加者が学習したロボットポリシーを共通の実機・共通タスク・共通条件で評価する「Policy Competition」、ハンドヘルド型データ収集デバイスを実際に体験・比較できる「Device Exhibition」、さらに実世界ロボット学習に関する最新の研究成果を共有する「Contributed Papers」の3つの企画を実施します。

データ収集デバイス、データセット、ポリシー学習、実ロボットでの評価までを一つの場につなぎ、実世界ロボット学習の進展をより比較可能で再現性の高いものにすることを目指します。

コンペティションやデバイス展示、論文投稿・参加登録の詳細は、特設ページをご覧ください。

https://umi-arena.airoa.io

11/9,10 CoRL公式デモエリアでのデモ実施

YUBI: Yielding Universal Bidigital Interface from Portable Data Collection to Cross-Embodiment VLA Deployment

デモプロポーザルが採択され、11月X日にCoRL公式のデモエリアで体験型デモンストレーションを実施いたします。

本デモでは、来場者自身がハンドヘルド型データ収集デバイス「YUBI」を使ってロボット学習用の動作データを収集します。収集したデータはLeRobot形式のデータセットへ変換され、Hugging Face上で確認できるほか、そのデータを用いた学習を経て、その場でFranka Duo上でロボットを動作させます。来場者自身によるデータ収集から、学習、実ロボットでの実行までを一連の流れとして体験できるデモとなっています。

ブース出展

AIRoAはCoRL 2026にブース出展します。ブースでは、Franka＋YUBIおよびELEYを用いて、現在開発中のモデルによるデモ展示を行う予定です。

実機デモを通じて、データ収集、モデル開発、ハードウェアを組み合わせたAIRoAの研究開発の現在地をご覧いただけます。世界各国の研究者やエンジニア、共同研究・連携に関心をお持ちの皆さまとの交流の機会・場となりますので、ぜひブースにお立ち寄りください。

CoRL 2026でのAIRoA出展・開催情報

Exhibition Booth
Booth 210, Griffin Hall, Level 2

• Nov 9: 12:00–18:30
• Nov 10: 10:00–18:30
• Nov 11: 8:30–13:00

AIRoAの研究開発や、Franka + YUBI、ELEYを用いた実機デモを紹介します。

Demo Booth
Lone Star 7, Lone Star Ballroom, Level 3

• Nov 9: 12:00–18:30
• Nov 10: 10:00–18:30

CoRLに採択されたYUBIデモプロポーザルによる体験型デモンストレーションを実施します。

Workshop – The UMI Arena
Talks: Rooms 303–304, Level 3
Posters & Hardware Demos: Lone Star Ballroom, Level 3

• Nov 12: 14:00–18:00

ハンドヘルド型データ収集デバイス、データセット、ポリシー学習、実ロボット評価に関する研究を集め、議論するワークショップを主催します。

※すべてのプログラムは、CoRL 2026のメイン会場であるJW Marriott Austin（110 E 2nd St, Austin, TX）にて実施予定です。

Featured Research Papers in

See Less, Specify More: Visual Evidence Budgets for Generalizable VLAs

著者
Yueh-Hua Wu · Tatsuya Matsushima・Kei Ota

Abstract

Generalization remains a central bottleneck for vision-language-action (VLA) models: under distractors, appearance shifts, and semantically similar tasks, the policy must often infer local execution details from coarse instructions while also deciding which parts of the image matter for control. We present S2 (See Less, Specify More), a framework for improving VLA generalization by training the executor under a cleaner interface.

Specify More preserves the original instruction as a stable high-level goal while relabeling each trajectory into refined trajectory- and subtask-level language that disambiguates the current execution mode. Unlike native attention, See Less imposes an explicit visual evidence budget, training the executor to act from task-sufficient evidence rather than unconstrained visual context, without any region or mask annotation.

This interface lets the executor follow detailed guidance without relying on distracting visual patches or resolving avoidable ambiguity on its own, and it remains compatible with off-the-shelf VLM planners through in-context learning. Across our main evaluation settings, S2 improves overall generalization metrics by changing the executor’s learning problem: coarse instructions induce avoidable supervision aliasing, goal-preserving local guidance outperforms instruction replacement in our main ablations, and explicit evidence budgeting reduces dependence on broad visual context beyond efficiency considerations.

Across eight real-robot tasks on TX-G2 (an AgiBot G2-compatible variant) and HSR, S2 raises mean subtask success from 54.2% to 79.0% over pi0.5. Together, these results suggest that VLA generalization improves when the executor is trained to act from informative local guidance and task-sufficient visual evidence, rather than recovering both from weak supervision.

Project Page
https://s2.airoa.io

YUBI: Yielding Universal Bidigital Interface for Bimanual Dexterous Manipulation at Scale

著者
Takehiko Ohkawa · Jumpei Arima · Yuki Noguchi · Masatoshi Tateno · Makoto Sugiura · Takuya Okubo · Kengo Ikeuchi · Yuma Shin · Hiroki Nishizawa · Naoaki Kanazawa · Yuki Wakayama · Daiki Fukunaga · Koshi Makihara · Tomohiro Motoda · Floris Erich · Yukiyasu Domae · Tatsuya Matsushima · Yoshihiro Okumatsu · Kei Ota

Abstract

We introduce Yielding Universal Bidigital Interface (YUBI), a finger-aligned gripper designed to enable intuitive, ergonomic, and scalable data collection for bimanual dexterous manipulation. While handheld data collection systems such as Universal Manipulation Interface (UMI) enable affordable data collection, their bulky pistol-grip designs can pose ergonomic and usability challenges for fine-grained, dexterous manipulation tasks.

To address this, YUBI presents a distinct design principle: yielding, finger-driven actuation that directly maps human finger movements to gripper jaw motion. Using the YUBI devices, we set up a data collection system with integrated VR-based 6 DoF tracking of the gripper, ensuring high-fidelity trajectory data acquisition.

We curate a UMI-based dataset of unprecedented scale: 8,434 hours across 1.20M episodes and 119 tasks. Experiments show that YUBI offers advantages over the UMI gripper in versatility for complex bimanual tasks, dexterity, and operational efficiency.

A single policy trained on the YUBI dataset transfers across multiple bimanual robots (UR, Franka, and ELEY) simply by mounting the gripper on each platform, confirming that the collected data are directly executable as policy supervision. We release the gripper hardware, data-collection software, and dataset as one integrated stack, offering the open community a reproducible path to large-scale data acquisition for advancing robotic foundation models.

Project Page
https://yubi.airoa.io

CounterAlign: Counterfactual Supervision for Vision-Language-Action Models

著者
Haru Kondoh · Kei Ota · Asako Kanezaki · Yueh-Hua Wu

Abstract

Vision-Language-Action (VLA) models are typically trained with behavior cloning (BC) on expert demonstrations. However, BC provides only positive supervision for expert actions, without explicit negative supervision indicating which actions are instruction-inconsistent or otherwise inappropriate. Reinforcement learning (RL) can provide such corrective signals, but often relies on externally specified rewards or curated non-expert data, both of which are costly to obtain in robotics.

We show that offline RL for VLA models need not rely on curated non-expert trajectories: successful expert demonstrations alone can be transformed into dense corrective supervision through instruction relabeling. Specifically, by pairing expert actions with mismatched alternative instructions, we synthesize counterfactual instruction-observation-action tuples from the dataset and combine them with adversarial discriminator training to learn an instruction-grounded reward model for offline RL, without collecting additional rollouts or annotations.

On the robustness-focused LIBERO-PRO benchmark, our method improves robustness to object position and task perturbations over a strong state-of-the-art baseline. It also outperforms competitive baselines in real-robot experiments on the TX-G2 (compatible with AGIBot G2).

More broadly, our results suggest that, for data-constrained VLA learning, extracting denser supervision from each demonstration can complement collecting additional data.

Project Page
https://counteralign.airoa.io

CoRL 2026について

Conference on Robot Learning（CoRL）は、ロボティクスと機械学習の融合領域を扱う国際会議です。2017年の開催以来、研究者やエンジニア、産業界の専門家が集まり、ロボット学習に関する最新の研究成果を共有するとともに、知能ロボットの新たな可能性について議論してきました。2026年で10回目の開催となるCoRL 2026は、2026年11月9日から12日まで、米国テキサス州オースティンで開催されます。メインカンファレンスは11月9日から11日まで、ワークショップは11月12日に予定されています。