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:2601.05248

LaST₀:ロボット視覚言語行動モデルのための潜在時空間チェーン・オブ・ソート

LaST$_{0}$: Latent Spatio-Temporal Chain-of-Thought for Robotic Vision-Language-Action Model

シェア:XThreadsFacebookLINEはてブBluesky

言語ではなく潜在空間で未来の視覚・3D・固有感覚を推論する時空間Chain-of-Thoughtを導入し、低頻度推論と高頻度行動生成を分離した二重システム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 - 実行前に言語的推論や将来観測を明示生成する手法がある - しかし明示的推論は推論遅延が大きく、ロボット操作に必要な時間分解能を制約 - 言語空間に限定され、物理的属性の表現にボトルネック - 提案: LaST$_0$ - Latent Spatio-Temporal Chain-of-Thought (CoT) による効率的な「行動前推論」 - 言語化困難な微細な物理・ロボット動態を潜在空間で捉える - 10の実世界タスクで平均成功率を改善

2. 先行研究と比べてどこがすごい?

- 先行VLAは明示的な言語推論トレースや将来観測予測を実行前に生成 - 推論遅延が大きく、操作の時間分解能を損なう - 言語空間の表現ボトルネックで物理属性を忠実に捉えにくい - LaST$_0$の優位 - 潜在CoTで効率的推論を実現し遅延を抑制 - 視覚動態・3D構造・固有感覚状態を潜在空間でモデル化 - 時間方向に拡張し時間的一貫性のある暗黙推論軌跡 - 二重システムで低頻度推論と高頻度行動生成を分離 - 実世界10タスクで先行SOTA比 平均成功率 +13%, +14%, +14%

3. 技術・手法の肝は?

- Latent Spatio-Temporal Chain-of-Thought (CoT) - token-efficientな潜在CoT空間 - 将来の視覚動態、3D構造情報、ロボット固有感覚状態をモデル化 - 時間方向に表現を拡張し、時間的一貫性のある暗黙推論軌跡を生成 - 二重システムアーキテクチャ - Mixture-of-Transformers設計 - reasoning expert: 低頻度の潜在推論を実行 - acting expert: ロボット指向の潜在表現を条件に高頻度行動を生成 - 訓練と展開 - 異種動作周波数で訓練 - 展開時に適応的切替を可能にする

4. どうやって有効だと検証した?

- 実世界10タスクで評価 - 卓上操作、移動操作、多指ハンド操作を含む - 先行SOTA VLA手法と比較 - 平均成功率がそれぞれ 13%, 14%, 14% 向上 - 有効性の検証は実世界タスクの成功率で実施 - 詳細な実験設定やベースラインは要旨からは不明

5. 議論はある?

- 明示的推論の課題 - 推論遅延がロボット操作の時間分解能を制約 - 言語空間の表現ボトルネックで物理属性を捉えにくい - LaST$_0$の解決策 - 潜在CoTで効率的推論を実現 - 視覚動態・3D構造・固有感覚を潜在空間で表現 - 二重システムで低頻度推論と高頻度行動を両立 - 限界や議論 - 要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究 - 明示的な言語推論トレースを生成するVLA - 将来観測を予測するVLA - 先行SOTA VLA手法 - 関連手法 - Vision-Language-Action (VLA) モデル - Chain-of-Thought (CoT) - Mixture-of-Transformers - 同分野の定番 - ロボット操作のためのVision-Language-Actionモデル全般

※ 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: Zhuoyang Liu, Jiaming Liu, Hao Chen, Jiale Yu, Ziyu Guo, Chengkai Hou, Chenyang Gu, Xiangju Mi, Renrui Zhang, Kun Wu, Zhengping Che, Jian Tang, Pheng-Ann Heng, Shanghang Zhang

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have recently shown strong generalization, with some approaches seeking to explicitly generate linguistic reasoning traces or predict future observations prior to execution. However, explicit reasoning typically incurs non-negligible inference latency, which constrains the temporal resolution required for robotic manipulation. Moreover, such reasoning is confined to the linguistic space, imposing a representational bottleneck that struggles to faithfully capture ineffable physical attributes. To mitigate these limitations, we propose LaST$_0$, a framework that enables efficient reasoning before acting through a Latent Spatio-Temporal Chain-of-Thought (CoT), capturing fine-grained physical and robotic dynamics that are often difficult to verbalize. Specifically, we introduce a token-efficient latent CoT space that models future visual dynamics, 3D structural information, and robot proprioceptive states, and further extends these representations across time to enable temporally consistent implicit reasoning trajectories. Furthermore, LaST$_0$ adopts a dual-system architecture implemented via a Mixture-of-Transformers design, where a reasoning expert conducts low-frequency latent inference and an acting expert generates high-frequency actions conditioned on robotics-oriented latent representations. To facilitate coordination, LaST$_0$ is trained with heterogeneous operation frequencies, enabling adaptive switching during deployment. Across 10 real-world tasks spanning tabletop, mobile, and dexterous hand manipulation, LaST$_0$ improves mean success rates by 13%, 14% and 14% over prior SOTA VLA methods, respectively.

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