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:2603.05147

行動・思考・棄権:VLAモデルのための複雑度適応型推論

Act, Think or Abstain: Complexity-Aware Adaptive Inference for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語行動モデルの推論を状態の複雑さに応じて「即実行・熟考・停止」に動的に振り分ける適応フレームワークを提案し、計算効率と異常検知性能を両立させた。

詳しい要約

1. どんなもの?

- どんなもの? - Vision-Language-Action (VLA) モデルの推論を、知覚した状態の複雑さに応じて動的にルーティングする適応フレームワーク。 - 人間の認知に着想を得て、VLA の vision-language backbone を active detection tool に変換。 - 潜在埋め込みをパラメトリックおよびノンパラメトリック推定器に投影し、既知タスクは即時実行 (Act)、曖昧なシナリオは推論 (Think)、物理的・意味的異常時は実行を先制的に停止 (Abstain) する。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べてどこがすごい? - 従来の VLA 研究は reasoning 技術による汎化向上に注力するが、計算複雑性と推論遅延が増大し、メカニズムを無差別に適用していた。 - 提案手法は複雑さに応じて適応的にルーティングし、 trivial なタスクでの資源浪費を防ぎ、out-of-distribution シナリオでの破滅的失敗を防ぐ不確実性推定を提供。 - 融合 vision-language 埋め込みに適合した Gaussian Mixture Model が最も信頼できるタスク複雑性信号を提供し、視覚的新規性、指示コンテキスト、クロスモーダル互換性を組み合わせる。

3. 技術・手法の肝は?

- 技術や手法の肝はどこ? - VLA の vision-language backbone を active detection tool に変換し、潜在埋め込みをパラメトリックおよびノンパラメトリック推定器に投影。 - 複雑性信号に基づき、Act (即時実行)、Think (推論)、Abstain (停止) を動的に選択。 - 融合 vision-language 埋め込みに Gaussian Mixture Model を適合させ、視覚的新規性、指示コンテキスト、クロスモーダル互換性を統合したタスク複雑性信号を生成。

4. どうやって有効だと検証した?

- どうやって有効だと検証した? - LIBERO および LIBERO-PRO ベンチマーク、ならびに実機ロボットで評価。 - 融合構成は 2 つの VLA backbone (SmolVLA と π₀) で最大 87.5% の F1-score を達成。 - 訓練データが 5% と少なくても 83% を維持し、state-of-the-art の failure detector を上回る。

5. 議論はある?

- 議論はある? - 要旨からは不明。

6. 次に読むべき論文は?

- 次に読むべき論文は? - SmolVLA - π₀ - LIBERO - LIBERO-PRO - Gaussian Mixture Model を用いた VLA の不確実性推定に関する研究

※ 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: Riccardo Andrea Izzo, Gianluca Bardaro, Matteo Matteucci

分類: cs.CV, cs.RO

原文アブストラクト

Current research on Vision-Language-Action (VLA) models predominantly focuses on enhancing generalization through reasoning techniques. While effective, these improvements increase computational complexity and inference latency. Furthermore, these mechanisms are typically applied indiscriminately, wasting resources on trivial tasks while failing to provide the uncertainty estimation necessary to prevent catastrophic failure on out-of-distribution scenarios. Inspired by human cognition, we propose an adaptive framework that dynamically routes VLA execution based on the complexity of the perceived state. Our approach transforms the VLA's vision-language backbone into an active detection tool by projecting latent embeddings into a set of parametric and non-parametric estimators. This allows the system to execute known tasks immediately (Act), reason about ambiguous scenarios (Think), and preemptively halt execution when encountering physical or semantic anomalies (Abstain). We find that a Gaussian Mixture Model fitted to fused vision-language embeddings provides the most reliable task-complexity signal, combining visual novelty with instruction context and cross-modal compatibility. Evaluated on the LIBERO and LIBERO-PRO benchmarks as well as on a real robot, our fused configuration achieves up to 87.5% F1-score across two VLA backbones (SmolVLA and $\pi_0$), retains 83% with as little as 5% of training data, and surpasses state-of-the-art failure detectors.

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