Align-Then-stEer：統一潜在ガイダンスによる視覚-言語-行動モデルの適応

- Vision-Language-Action (VLA) モデルを下流タスクへ適応させるためのデータ効率の良い plug-and-play な適応フレームワーク ATE (Align-Then-stEer)。 - 対象は cross-embodiment および cross-task の manipulation。 - 事前学習済み VLA の action distribution と下流タスクのそれとの不一致を緩和することを狙う。 - simulation と real world の両方で評価。

- 代表的な VLA の直接 fine-tuning と比較して、simulation で平均 multi-task success rate を最大 9.8% 改善。 - real-world の cross-embodiment 設定で 32% の success rate 向上。 - 大量データと計算を要する従来の fine-tuning に対し、データ効率が良く軽量な適応を実現すると主張。 - 特定モデルに依存しない plug-and-play な枠組みである点が特徴。

- まず action space の不一致を unified latent space の構築で align。 - reverse KL divergence で制約した variational autoencoder により、adaptation actions を pre-training action latent distribution の modes に埋め込む。 - 次に fine-tuning 時、diffusion- または flow-based VLA の生成過程を guidance mechanism で steer し、出力分布を target domain へ寄せる。 - align と steer の二段階構成が肝。

- simulation および real world の両方で cross-embodiment と cross-task manipulation の実験を実施。 - 代表的な VLA の直接 fine-tuning との比較で multi-task success rate を評価。 - simulation で最大 9.8%、real-world cross-embodiment で 32% の success rate 向上を報告。 - 詳細な実験設定・ベースライン名は要旨からは不明。

- 要旨からは不明。 - 主張として、新規ロボットプラットフォームやタスクへの VLA 展開の実用性を高める汎用かつ軽量な解と位置づけ。 - 限界や失敗ケース、guidance の感度などに関する議論は要旨からは不明。

- 比較対象として言及される代表的な VLA モデル（具体的名称は要旨からは不明）。 - diffusion-based VLA および flow-based VLA の関連研究。 - variational autoencoder と reverse KL divergence を用いた latent alignment の関連研究。 - cross-embodiment manipulation および cross-task manipulation の適応研究。