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:2511.19878

MAPS: モジュール別近接スケジューリングによる視覚言語表現の保持と視覚言語行動モデルの汎化向上

MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルのファインチューニング時に、モジュールごとに事前学習VLMへの近接制約を段階的に緩めるスケジューリングを導入し、追加パラメータなしで分布内外の性能を最大30%向上させた。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの fine-tuning における汎化性能低下を抑えるための、モジュール単位の近接スケジューリングに基づく robust fine-tuning フレームワーク MAPS を提案する研究。 - 事前学習済み Vision-Language Model (VLM) の表現を保持しつつ、action 指向の層を適応させることを狙う。 - 追加パラメータや追加データを必要とせず、既存 VLA に統合可能と主張。

2. 先行研究と比べてどこがすごい?

- 既存の対策であるモジュール凍結や一様な正則化は、適応を過度に制約するか、VLA 各コンポーネントの役割の違いを無視していた。 - 本研究は VLA 向けの初の robust fine-tuning フレームワークと位置づけられる。 - 近接制約を緩和すべき経験的な順序を明らかにし、それをスケジューリングに用いる点が先行研究と異なる。

3. 技術・手法の肝は?

- 系統的な分析により、安定性と柔軟性のバランスを取るために近接制約を緩和する経験的順序を発見。 - MAPS はこの緩和を線形にスケジューリングし、visual encoder は事前学習の prior に近く保ち、action 指向の language 層はより自由に適応させる。 - 追加パラメータ・追加データなしで既存 VLA に組み込める点が手法の肝。

4. どうやって有効だと検証した?

- MiniVLA-VQ、MiniVLA-OFT、OpenVLA-OFT を用いて評価。 - SimplerEnv、CALVIN、LIBERO などの難易度の高いベンチマークに加え、Franka Emika Panda プラットフォームでの実世界評価を実施。 - in-distribution と out-of-distribution の両方で性能を一貫して向上させ、最大 +30% の改善を報告。

5. 議論はある?

- 事前学習済み VLM への経験的に導かれた近接性が、VLM から VLA への転移における広い汎化を保つ単純かつ強力な原理であると主張。 - 近接制約の緩和順序は経験的に見出されたものであり、その理論的根拠や一般性については要旨からは不明。 - 実世界評価の詳細な条件や限界については要旨からは不明。

6. 次に読むべき論文は?

- 比較対象として言及される MiniVLA-VQ、MiniVLA-OFT、OpenVLA-OFT の各論文。 - 評価に用いられた SimplerEnv、CALVIN、LIBERO のベンチマーク論文。 - VLM から VLA への転移や robust fine-tuning に関連する研究(要旨で個別に参照されているものは不明)。

※ 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: Chengyue Huang, Mellon M. Zhang, Robert Azarcon, Glen Chou, Zsolt Kira

分類: cs.CV, cs.AI, cs.CL, cs.LG, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models inherit strong priors from pretrained Vision-Language Models (VLMs), but naive fine-tuning often disrupts these representations and harms generalization. Existing fixes -- freezing modules or applying uniform regularization -- either overconstrain adaptation or ignore the differing roles of VLA components. We present MAPS (Module-Wise Proximity Scheduling), the first robust fine-tuning framework for VLAs. Through systematic analysis, we uncover an empirical order in which proximity constraints should be relaxed to balance stability and flexibility. MAPS linearly schedules this relaxation, enabling visual encoders to stay close to their pretrained priors while action-oriented language layers adapt more freely. MAPS introduces no additional parameters or data, and can be seamlessly integrated into existing VLAs. Across MiniVLA-VQ, MiniVLA-OFT, OpenVLA-OFT, and challenging benchmarks such as SimplerEnv, CALVIN, LIBERO, as well as real-world evaluations on the Franka Emika Panda platform, MAPS consistently boosts both in-distribution and out-of-distribution performance (up to +30%). Our findings highlight empirically guided proximity to pretrained VLMs as a simple yet powerful principle for preserving broad generalization in VLM-to-VLA transfer.

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. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI