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:2601.15197

LangForce: 潜在行動クエリによる視覚言語行動モデルのベイズ分解

LangForce: Bayesian Decomposition of Vision Language Action Models via Latent Action Queries

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語行動モデルが言語指示を無視して視覚のみに依存する「情報崩壊」問題を、ベイズ分解と潜在行動クエリで解決し、未知環境での汎化性能を向上させた研究。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの汎化性能を改善するフレームワーク LangForce を提案。 - 目標駆動型データ収集によるデータセットバイアスが原因で、言語指示と行動の条件付き相互情報量が消失する Information Collapse を特定。 - ベイズ分解に基づき、視覚のみの事前分布 p(a|v) と言語条件付き事後分布 π(a|v,ℓ) を推定し、条件付き Pointwise Mutual Information (PMI) を最大化するようポリシーを最適化。 - 新たなデータを必要とせず、OOD 設定での汎化を大幅に向上。

2. 先行研究と比べてどこがすごい?

- 従来の VLA モデルは目標駆動型データセットのバイアスにより、言語指示を無視した視覚のみのポリシーに退化し、OOD 設定で失敗する問題があった。 - LangForce はこの Information Collapse を明示的に解決し、言語指示に従う行動を強制することで、既存手法よりも優れた汎化性能を実現。 - 特に挑戦的な OOD SimplerEnv ベンチマークで 11.3% の改善を達成。

3. 技術・手法の肝は?

- 学習可能な Latent Action Queries を導入し、視覚のみの事前分布 p(a|v) と言語条件付き事後分布 π(a|v,ℓ) を推定する二重分岐アーキテクチャを構築。 - ポリシーを条件付き Pointwise Mutual Information (PMI) を最大化するように最適化。 - この目的関数は視覚ショートカットにペナルティを与え、言語コマンドを明示的に説明する行動に報酬を与える。 - 新たなデータ収集は不要。

4. どうやって有効だと検証した?

- SimplerEnv と RoboCasa での広範な実験により有効性を検証。 - 特に OOD SimplerEnv ベンチマークで 11.3% の改善を含む大幅な性能向上を確認。 - 言語を行動に頑健に接地させる能力を実証。

5. 議論はある?

- 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は明示されていないが、関連手法として Vision-Language-Action (VLA) モデル、ベイズ分解、Pointwise Mutual Information (PMI) を用いたアプローチが挙げられる。 - 同分野の定番として、RT-1、RT-2、Octo、OpenVLA などの VLA モデルが参考になる。

※ 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: Shijie Lian, Bin Yu, Xiaopeng Lin, Laurence T. Yang, Zhaolong Shen, Changti Wu, Yuzhuo Miao, Cong Huang, Kai Chen

分類: cs.AI, cs.CL, cs.CV, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have shown promise in robot manipulation but often struggle to generalize to new instructions or complex multi-task scenarios. We identify a critical pathology in current training paradigms where goal-driven data collection creates a dataset bias. In such datasets, language instructions are highly predictable from visual observations alone, causing the conditional mutual information between instructions and actions to vanish, a phenomenon we term Information Collapse. Consequently, models degenerate into vision-only policies that ignore language constraints and fail in out-of-distribution (OOD) settings. To address this, we propose LangForce, a novel framework that enforces instruction following via Bayesian decomposition. By introducing learnable Latent Action Queries, we construct a dual-branch architecture to estimate both a vision-only prior $p(a \mid v)$ and a language-conditioned posterior $\pi(a \mid v, \ell)$. We then optimize the policy to maximize the conditional Pointwise Mutual Information (PMI) between actions and instructions. This objective effectively penalizes the vision shortcut and rewards actions that explicitly explain the language command. Without requiring new data, LangForce significantly improves generalization. Extensive experiments across on SimplerEnv and RoboCasa demonstrate substantial gains, including an 11.3% improvement on the challenging OOD SimplerEnv benchmark, validating the ability of our approach to robustly ground language in action.

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