SwitchVLA: 実行状態を考慮したタスク切り替えが可能な視覚-言語-行動モデル

- 動的な環境で動作するロボット向けの Vision-Language-Action (VLA) フレームワーク。 - 実行中にユーザの意図が変化した際、外部 planner や切替専用データなしで反応的にタスクを切り替えられる。 - タスク切替を実行状態と指示文脈に条件付けられた behavior modulation 問題として定式化。 - シミュレーションと実機のロボットマニピュレーションで評価。

- 従来の VLA は多タスク学習や指示追従を進展させてきたが、タスク意図は静的と仮定していた。 - 実行中に新たな指示が来ても応答できず、動的な小売・家庭環境での自然な対話が困難だった。 - SwitchVLA は外部 planner や切替専用データを必要とせず、実行中でも滑らかで反応的な切替を可能にする。 - 先行 VLA ベースラインに対しタスク成功率とインタラクションの自然さで上回ると報告。

- タスク切替を実行状態と指示文脈に条件付けられた behavior modulation としてモデル化。 - 専門家デモを時間的に接地した contact phase に分割し、ポリシーがタスク進捗を推論して行動を調整できるようにする。 - multi-behavior conditional policy を conditioned trajectory modeling で訓練し、異なる behavior mode 下で柔軟な action chunk を生成。 - 外部 planner や切替専用データを要しない統合フレームワーク。

- シミュレーションと実世界のロボットマニピュレーションの両方で実験。 - 頑健な指示追従、流動的なタスク切替、強い汎化を示すと報告。 - 先行 VLA ベースラインと比較し、タスク成功率とインタラクションの自然さの両方で上回った。 - 具体的なベンチマーク名や評価指標の詳細は要旨からは不明。

- 動的環境でのリアルタイムな意図変化への対応が動機として挙げられている。 - 外部 planner や切替専用データを不要とする点が設計上の主張。 - 限界、失敗事例、計算コスト、安全性に関する議論は要旨からは不明。 - 実世界での評価規模や被験者による自然さ評価の詳細は要旨からは不明。

- 要旨で比較対象として言及される prior VLA baselines の代表的研究。 - 指示追従と多タスク学習を扱う VLA モデル（例: RT-2, OpenVLA など同分野の定番）。 - behavior modulation や conditioned trajectory modeling に関連する模倣学習・条件付きポリシー研究。 - 実行中の言語指示変更や interactive instruction following を扱う関連研究。