日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2510.16617

MoS-VLA: ワンショットスキル適応を可能にする視覚-言語-行動モデル

MoS-VLA: A Vision-Language-Action Model with One-Shot Skill Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作方策を学習済み基底関数の線形結合として表現し、新しいタスクには1回の実演だけで勾配更新なしに適応できるVLAフレームワークを提案。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの新フレームワーク MoS-VLA (Mixture of Skills VLA) を提案 - ロボット操作ポリシーを、学習済みの有限個の basis functions の線形結合として表現する - 事前学習で構造化された skill space を獲得し、テスト時に1回の expert demonstration だけで新タスクへ適応する - 適応は gradient 更新を伴わない軽量な convex optimization で行う

2. 先行研究と比べてどこがすごい?

- 大規模ロボットデータセットで学習した既存 VLA は、新環境・新 embodiment・新タスクで out-of-the-box に失敗しやすい - MoS-VLA はポリシーを basis functions の線形結合として構造化することで、新タスク適応を1回の expert demonstration に削減 - 適応が gradient-free な convex optimization のため、計算オーバーヘッドが最小 - 5つ全ての unseen datasets で action-prediction error を低減し、事前学習 VLA が完全に失敗する simulation・real-robot タスクでも成功

3. 技術・手法の肝は?

- ポリシーを有限個の学習済み basis functions の線形結合として表現する Mixture of Skills 形式を採用 - 事前学習では Open X-Embodiment project の複数データセットにまたがって basis functions を jointly に学習し、構造化された skill space を構築 - テスト時は1回の expert demonstration から、L1 action error を最小化する convex optimization により skill representation を推論 - gradient updates を必要としない gradient-free adaptation を実現

4. どうやって有効だと検証した?

- 5つ全ての unseen datasets において action-prediction error が低いことを確認 - simulation および real-robot タスクで、事前学習済み VLA モデルが完全に失敗する状況でも MoS-VLA が成功することを実証 - 詳細な実験設定・ベースライン・指標は要旨からは不明

5. 議論はある?

- 1回の expert demonstration で適応できる点と gradient-free な軽量適応が主な利点として示唆される - basis functions の数や選択、skill space の汎化性、失敗ケースなどの限界は要旨からは不明 - 実ロボットでの安全性や長期運用に関する議論は要旨からは不明

6. 次に読むべき論文は?

- Open X-Embodiment project(事前学習データセット) - 既存の Vision-Language-Action (VLA) モデル(比較対象として言及) - convex optimization による L1 action error 最小化を用いた適応手法(関連手法として) - basis functions の線形結合でポリシーを表現する Mixture of Skills 関連研究(同分野の関連手法)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ruihan Zhao, Tyler Ingebrand, Sandeep Chinchali, Ufuk Topcu

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models trained on large robot datasets promise general-purpose, robust control across diverse domains and embodiments. However, existing approaches often fail out-of-the-box when deployed in novel environments, embodiments, or tasks. We introduce Mixture of Skills VLA (MoS-VLA), a framework that represents robot manipulation policies as linear combinations of a finite set of learned basis functions. During pretraining, MoS-VLA jointly learns these basis functions across datasets from the Open X-Embodiment project, producing a structured skill space. At test time, adapting to a new task requires only a single expert demonstration. The corresponding skill representation is then inferred via a lightweight convex optimization problem that minimizes the L1 action error, without requiring gradient updates. This gradient-free adaptation incurs minimal overhead while enabling rapid instantiation of new skills. Empirically, MoS-VLA achieves lower action-prediction error on five out of five unseen datasets and succeeds in both simulation and real-robot tasks where a pretrained VLA model fails outright. Project page: mos-vla.github.io/

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI