世界行動モデルはVLAより汎化するのか？ロバスト性の比較研究

- 実世界のロボット action planning を対象に、VLA と WAM の汎化・堅牢性を比較した研究。 - VLA は大規模 vision-language model を action expert で転用する手法。 - WAM は video 大規模データで学習した world model を基盤とし、latent 表現を robot action にデコードする手法。 - LIBERO-Plus と RoboTwin 2.0-Plus benchmark 上で、視覚・言語の各種 perturbation 下で評価。

- 従来 VLA は training data の範囲に性能が制約され、未見 scenario への汎化が限定的で、contextual perturbation に脆弱とされる。 - WAM は明示的な dynamic prediction 能力と web-scale video pretraining 由来の spatiotemporal prior により、VLA より効果的に汎化すると示唆されてきた。 - 本研究は代表的 SOTA の VLA policy と最近公開された WAM を同一条件で比較した点が新しい。

- VLA と WAM を LIBERO-Plus および RoboTwin 2.0-Plus benchmark で比較評価。 - 各種の visual perturbation と language perturbation を付与して堅牢性を測定。 - WAM は world model の latent representation を軽微な adaptation で robot action にデコードする構成。 - 具体的な model 構成・学習手順の詳細は要旨からは不明。

- LIBERO-Plus と RoboTwin 2.0-Plus 上で視覚・言語 perturbation 下の success rate を測定。 - WAM は強い堅牢性を示し、LingBot-VA は RoboTwin 2.0-Plus で 74.2%、Cosmos-Policy は LIBERO-Plus で 82.2% の success rate を達成。 - VLA の π_{0.5} は一部タスクで同等の堅牢性を示すが、多様な robotic dataset と学習目的での大規模 training を要する。

- WAM は VLA より堅牢性が高い傾向が示されたが、VLA も条件次第で同等性能に到達し得る。 - VLA の堅牢性獲得には多様なデータと学習目的が必要というコスト面の議論がある。 - perturbation の種類や benchmark 依存性、計算コストなどの詳細な議論は要旨からは不明。

- VLA の代表例として π_{0.5}。 - WAM の代表例として LingBot-VA、Cosmos-Policy。 - benchmark として LIBERO-Plus、RoboTwin 2.0-Plus。 - 基盤技術として vision-language-action (VLA)、world model、world action model (WAM)。