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:2603.00592

LangGap:視覚-言語-行動モデルにおける言語ギャップの診断と解消

LangGap: Diagnosing and Closing the Language Gap in Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルが言語指示を無視しがちな問題を診断するため、同一配置で指示文だけを変える4次元の意味摂動ベンチマークLangGapを構築し、データ拡張による改善と限界を示した。

詳しい要約

1. どんなもの?

Vision-Language-Action (VLA) モデルが言語指示を無視する問題を診断し、LangGap benchmark を構築した研究。 - 標準 benchmark で 95% 超の成功率を示す VLA モデルでも、言語指示をほとんど無視していることを体系的実験で発見。 - 先行研究に欠けていた3点を指摘: (1) 体系的意味摂動診断、(2) 言語理解を設計上強制する benchmark、(3) 言語的多様性を持つ訓練データ。 - LangGap benchmark は4次元意味摂動法に基づき、テーブル配置を固定したまま指示意味を変化させる。 - これにより π0.5 の言語理解欠陥を明らかにする。

2. 先行研究と比べてどこがすごい?

既存 benchmark と比べ、言語理解を強制する設計が新しい。 - LIBERO など既存 benchmark は1レイアウトにつき1タスクのみで、利用可能な物体や目標位置を十分活用していない。 - LangGap は同一レイアウト下で pick-and-place タスクを完全に多様化し、モデルに言語を真に理解することを強制。 - 先行研究には体系的意味摂動診断、言語理解を設計上強制する benchmark、言語的多様性訓練データが欠けていた。 - これにより VLA モデルの言語無視問題を定量的に診断可能にした。

3. 技術・手法の肝は?

4次元意味摂動法に基づく LangGap benchmark の構築と、対象データ拡張。 - テーブル配置を固定し、指示文の意味のみを変化させる4次元の摂動を実施。 - 同一レイアウト下で pick-and-place タスクを多様化し、言語理解を要求。 - 対象データ拡張により言語ギャップの閉鎖を試みる。 - 単一タスク訓練とマルチタスク訓練で効果を比較。

4. どうやって有効だと検証した?

LangGap benchmark を用いた実験で有効性を検証。 - π0.5 の言語理解欠陥を明らかにした。 - 対象データ拡張により、単一タスク訓練で成功率が 0% から 90% に改善。 - マルチタスク訓練では 0% から 28% に改善。 - しかし拡張タスクの意味的多様性が増すと、モデルの学習能力が著しく不足し、訓練済みタスクでも性能が低いことを示した。

5. 議論はある?

言語ギャップの閉鎖は部分的に可能だが、根本的課題が残る。 - 対象データ拡張で言語ギャップを部分的に閉鎖できることを示した。 - しかし意味的多様性が増すとモデルの学習能力が深刻に不足し、訓練済みタスクでも性能が低い。 - これは多様な言語指示を理解する上での VLA モデルの根本的課題を明らかにする。 - この課題こそ LangGap の長期的価値であると主張。

6. 次に読むべき論文は?

要旨で参照/比較されている研究や関連手法を挙げる。 - LIBERO: 既存 benchmark として比較対象。 - π0.5: 言語理解欠陥が示された VLA モデル。 - Vision-Language-Action (VLA) モデル全般: 関連手法。 - その他、要旨からは不明。

※ 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: Yuchen Hou, Lin Zhao

分類: cs.RO, cs.AI, cs.CL, cs.CV, cs.LG

原文アブストラクト

Vision-Language-Action (VLA) models achieve over 95% success on standard benchmarks. However, through systematic experiments, we find that current state-of-the-art VLA models largely ignore language instructions. Prior work lacks: (1) systematic semantic perturbation diagnostics, (2) a benchmark that forces language understanding by design, and (3) linguistically diverse training data. This paper constructs the LangGap benchmark, based on a four-dimensional semantic perturbation method -- varying instruction semantics while keeping the tabletop layout fixed -- revealing language understanding deficits in {\pi}0.5. Existing benchmarks like LIBERO assign only one task per layout, underutilizing available objects and target locations; LangGap fully diversifies pick-and-place tasks under identical layouts, forcing models to truly understand language. Experiments show that targeted data augmentation can partially close the language gap -- success rate improves from 0% to 90% with single-task training, and 0% to 28% with multi-task training. However, as semantic diversity of extended tasks increases, model learning capacity proves severely insufficient; even trained tasks perform poorly. This reveals a fundamental challenge for VLA models in understanding diverse language instructions -- precisely the long-term value of LangGap.

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