ロボティクスにおける視覚-言語-行動モデル：データセット、ベンチマーク、データエンジンの調査

- Vision-Language-Action (VLA) モデルの研究を、データ基盤の観点から体系的に分析したサーベイ。 - 3つの柱: datasets、benchmarks、data engines を中心に整理。 - datasets は embodiment diversity、modality composition、action space formulation で分類。 - benchmarks は task complexity と environment structure を同時に分析。 - data engines は simulation-based、video-reconstruction、automated task-generation のパラダイムを検討。 - 4つの未解決課題: representation alignment、multimodal supervision、reasoning assessment、scalable data generation を抽出。

- 従来の VLA 研究はモデルアーキテクチャの進歩に焦点が当たりがち。 - 本サーベイはデータ基盤を第一級の研究課題として扱う点が新しい。 - データ中心の視点から、fidelity-cost trade-off や評価プロトコルの構造的ギャップを明示。 - 既存のサーベイと比べ、datasets、benchmarks、data engines を統合的に分析。 - 今後の進歩はモデルよりデータエンジンと評価プロトコルの共設計に依存すると主張。

- データ中心の系統的レビュー手法を採用。 - datasets を embodiment diversity、modality composition、action space formulation の軸で分類。 - benchmarks を task complexity と environment structure の観点で分析。 - data engines を simulation-based、video-reconstruction、automated task-generation に区分。 - 各パラダイムの物理的接地と sim-to-real transfer の限界を特定。 - 分析を統合し、4つのオープンチャレンジを導出。

- 要旨からは不明。 - 具体的な検証方法や実験結果には言及されていない。 - サーベイ論文のため、既存研究の分析に基づく主張が中心。

- データ基盤が VLA の中心的なボトルネックであると議論。 - 高忠実度データと収集コストのトレードオフが大規模収集を制約。 - 既存 benchmarks は compositional generalization と long-horizon reasoning の評価に構造的ギャップ。 - data engines は物理的接地と sim-to-real transfer に共通の限界。 - 4つの課題: representation alignment、multimodal supervision、reasoning assessment、scalable data generation。 - データ基盤を背景ではなく第一級の研究問題として扱う必要があると主張。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として、simulation-based data engines、video-reconstruction、automated task-generation が挙げられる。 - 同分野の定番として、Vision-Language-Action (VLA) モデル、embodied learning、sim-to-real transfer に関する研究が次に読むべき候補。 - 具体的な論文名は要旨からは不明。