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:2601.16667

ReViP: 視覚-固有感覚の再バランスによる視覚-言語-行動モデルの偽完了の緩和

ReViP: Mitigating False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルが固有感覚に過度に依存して生じる「偽完了」問題を分析し、進捗を考慮した視覚的手がかりで視覚と言語の接地を強化する新フレームワークReViPを提案した。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルにおける **false completion** 問題を扱う研究。 - 視覚・言語・固有感覚を統合して行動予測するが、固有感覚信号を直接融合すると状態支配バイアスが生じ、実行失敗が見えても完了と誤認する。 - この失敗モードを modality imbalance と分析し、内部状態進行に過度に依存し視覚証拠を過小利用すると指摘。 - 対策として **False-Completion Benchmark Suite** と **ReViP** フレームワークを提案。

2. 先行研究と比べてどこがすごい?

- 従来の VLA は固有感覚信号を視覚言語特徴と直接融合し、状態支配バイアスと false completion を招いていた。 - 本研究はこの失敗モードを体系的に分析し、modality imbalance に帰属させた点が新しい。 - 初の **False-Completion Benchmark Suite** を導入し、8タスクと3種の制御摂動で評価可能にした。 - **ReViP** は視覚的接地と摂動下でのロバスト性を高め、強い VLA ベースラインを上回る。

3. 技術・手法の肝は?

- **ReViP** は Vision-Proprioception Rebalance を実現する VLA フレームワーク。 - 補助的な **progress-aware visual cues** を導入し、意味知覚と固有感覚ダイナミクスの結合を適応的に変調。 - 外部の **Task-Stage Observer** がリアルタイム観測からタスク関連推論を行い、progress-aware visual cues を抽出。 - これが task-stage feature-wise linear modulation を駆動し、環境認識を高め状態駆動エラーを軽減。

4. どうやって有効だと検証した?

- **False-Completion Benchmark Suite** で8タスクと3摂動(Object Drop, Distractor Swap, Relayout)を用いて評価。 - 強力な VLA ベースラインと比較し、false completion を効果的に軽減し成功率を改善。 - **π0** モデルに対してスイート上で **26%** のゲインを達成。 - 利得は **LIBERO**, **RoboTwin 2.0**, 実世界評価にも及ぶ。

5. 議論はある?

- 要旨からは、false completion の原因を modality imbalance とする分析以外の議論は不明。 - 提案手法の限界や失敗ケース、計算コスト、Task-Stage Observer の一般性などは要旨からは不明。 - 摂動下でのロバスト性向上は示されるが、他の失敗モードへの影響は要旨からは不明。

6. 次に読むべき論文は?

- **π0** モデル(比較対象の VLA ベースライン) - **LIBERO** ベンチマーク - **RoboTwin 2.0** ベンチマーク - 関連手法として **Vision-Language-Action (VLA) モデル** 全般、特に固有感覚融合を行うもの。

※ 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: Zhuohao Li, Yinghao Li, Jian-Jian Jiang, Lang Zhou, Tianyu Zhang, Jiadong Yin, Mu Lin, Yi-Lin Wei, Wei-Shi Zheng

分類: cs.RO, cs.CV

原文アブストラクト

Vision-Language-Action (VLA) models have advanced robotic manipulation by combining vision, language, and proprioception to predict actions. However, previous methods fuse proprioceptive signals directly with vision-language features, resulting in state-dominant bias and \textbf{false completions} despite visible execution failures. We systematically analyze this failure mode, attributing it to modality imbalance, where policies overly rely on internal state progression and underuse visual evidence. To address this, we introduce the first \textbf{False-Completion Benchmark Suite}, featuring eight tasks with three controlled perturbations (\emph{Object Drop}, \emph{Distractor Swap}, \emph{Relayout}) to comprehensively evaluate false completion. Moreover, we propose \textbf{ReViP}, a novel VLA framework with \textbf{Vi}sion-\textbf{P}roprioception \textbf{Re}balance to enhance visual grounding and robustness under perturbations. The key insight is to introduce auxiliary \emph{progress-aware visual cues} to adaptively modulate the coupling between semantic perception and proprioceptive dynamics. Specifically, progress-aware visual cues are extracted by an external Task-Stage Observer, which performs task-relevant reasoning on real-time observations to drive task-stage feature-wise linear modulation, enhancing environmental awareness and mitigating state-driven errors. Extensive experiments show that ReViP effectively mitigates false completion and improves success rates over strong VLA baselines, achieving a \textbf{26\%} gain over $\pi_0$ model on our suite, with gains extending to LIBERO, RoboTwin 2.0, and real-world evaluations.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI