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:2602.04208

SCALE: 視覚言語行動モデルのための自己不確実性に基づく適応的知覚と行動

SCALE: Self-uncertainty Conditioned Adaptive Looking and Execution for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの推論時に自己不確実性を利用し、追加学習や検証器なしで視覚知覚と行動を同時に調整する単一パスの手法を提案。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルのための推論戦略である SCALE を提案。 - テスト時スケーリング (TTS) の課題を解決し、追加学習や verifier、複数回の forward pass を必要としない。 - 自己不確実性 (self-uncertainty) に基づき、視覚知覚と行動を同時に調整する。 - 不確実性が高い場合には知覚と行動の探索を広げ、自信がある場合には活用に焦点を当てる。 - 単一の forward pass で効率的に動作し、適応的な実行を可能にする。

2. 先行研究と比べてどこがすごい?

- 既存の TTS 手法は追加学習、verifier、複数回の forward pass を必要とし、実用性に欠ける。 - 既存手法は行動デコーディングのみに介入し、視覚表現を固定しているため、知覚の曖昧さに対応できない。 - SCALE は追加学習や verifier 不要で、単一の forward pass のみで動作する。 - 視覚知覚と行動の両方を自己不確実性に基づいて調整する点が新しい。 - 既存の TTS 手法を上回る性能を、単一パスの効率を維持しながら実現。

3. 技術・手法の肝は?

- 自己不確実性 (self-uncertainty) を推定し、それに基づいて視覚知覚と行動を同時に調整する推論戦略。 - Active Inference 理論の不確実性駆動型探索に着想を得ている。 - 不確実性が高い場合には知覚と行動の探索を広げ、低い場合には活用に焦点を当てる。 - 追加の学習や verifier を必要とせず、単一の forward pass で実現。 - 具体的な不確実性の計算方法や調整メカニズムの詳細は要旨からは不明。

4. どうやって有効だと検証した?

- シミュレーションと実世界のベンチマークで実験を実施。 - SCALE が最先端の VLA モデルを改善し、既存の TTS 手法を上回ることを示した。 - 単一パスの効率を維持していることも確認。 - 具体的なベンチマーク名や評価指標は要旨からは不明。

5. 議論はある?

- 要旨からは、SCALE の限界や議論の詳細は不明。 - 追加学習や verifier が不要である点、単一パスで動作する点が強調されている。 - 知覚の曖昧さに対処する重要性が議論されている。 - 今後の課題や適用範囲に関する議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照されている具体的な論文は不明。 - 関連手法として、Vision-Language-Action (VLA) モデル、テスト時スケーリング (TTS)、Active Inference 理論が挙げられる。 - 同分野の定番として、RT-1、RT-2、Octo などの VLA モデルや、TTS 手法に関する論文を読むことが推奨される。

※ 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: Hyeonbeom Choi, Daechul Ahn, Youhan Lee, Taewook Kang, Seongwon Cho, Jonghyun Choi

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Vision-Language-Action (VLA) models have emerged as a promising paradigm for general-purpose robotic control, with test-time scaling (TTS) gaining attention to enhance robustness beyond training. However, existing TTS methods for VLAs require additional training, verifiers, and multiple forward passes, making them impractical for deployment. Moreover, they intervene only at action decoding while keeping visual representations fixed-insufficient under perceptual ambiguity, where reconsidering how to perceive is as important as deciding what to do. To address these limitations, we propose SCALE, a simple inference strategy that jointly modulates visual perception and action based on 'self-uncertainty', inspired by uncertainty-driven exploration in Active Inference theory-requiring no additional training, no verifier, and only a single forward pass. SCALE broadens exploration in both perception and action under high uncertainty, while focusing on exploitation when confident-enabling adaptive execution across varying conditions. Experiments on simulated and real-world benchmarks demonstrate that SCALE improves state-of-the-art VLAs and outperforms existing TTS methods while maintaining single-pass efficiency.

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

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