日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/推論時計算arXiv:2605.09537

ドリフトはサンプリング誤差:長期的ロボット計画のためのSNRを考慮したパワー分布

Drift is a Sampling Error: SNR-Aware Power Distributions for Long-Horizon Robotic Planning

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルにおける指示ドリフトをサンプリング誤差として捉え、推論時にパワー分布とSNRに基づく適応的MCMC探索を導入するCAPSを提案し、長期的タスクの成功率を向上させた。

詳しい要約

1. どんなもの?

- 長期的なロボットタスクにおける指示ドリフトを、局所的な貪欲サンプリングによる系統的なサンプリングエラーと再定義。 - これを解決するため、訓練不要の推論時計算フレームワーク「Context-Aware Power Sampling (CAPS)」を提案。 - CAPSは、パワー分布を用いてグローバルな軌道確率を鋭くし、モデルの条件付き生成軌道分布上での先読み探索を可能にする。 - さらに、Signal-to-Noise Ratio (SNR) に基づくメタ認知制御機構を導入し、ドリフトリスク検出時のみ適応的MCMC探索をトリガー。 - 「直感的な速い思考」から「理性的な遅い探索」への動的遷移を実現。

2. 先行研究と比べてどこがすごい?

- 従来のVision-Language-Action (VLA) モデルは、長期的タスクで指示ドリフトが持続的な失敗モードであった。 - 既存の強力なベースライン(OpenVLAやTACO)と比較して、CAPSはパラメータ更新なしで大幅な改善を達成。 - 訓練不要の推論時計算により、適応的に計算リソースを配分する点が新しい。 - ドリフトをサンプリングエラーとして捉え、Negative Pivotal Windowsという概念を導入した点が先行研究と異なる。

3. 技術・手法の肝は?

- パワー分布を利用して、モデルの条件付き生成軌道分布のグローバル確率をシャープにし、先読み探索を可能にする。 - SNRに基づくメタ認知制御機構が、ドリフトリスクを検出したときのみ適応的MCMC探索を起動。 - これにより、通常は高速な推論(直感的速い思考)を行い、リスク時には計算コストをかけて探索(理性的遅い探索)する。 - 訓練は不要で、推論時にのみ適用可能。

4. どうやって有効だと検証した?

- RoboTwin、Simpler-WindowX、Libero-longの3つのベンチマークで実験を実施。 - 強力なベースラインであるOpenVLAやTACOと比較して、CAPSが大幅な改善を示した。 - パラメータ更新なしでこれらの結果を達成したことが有効性の検証。

5. 議論はある?

- 適応的な推論時計算が、 embodied control における長期的ロバスト性を向上させることを支持する結果。 - 指示ドリフトをサンプリングエラーと見なす再概念化の妥当性が議論の焦点。 - ただし、具体的な限界や失敗ケース、計算コストの詳細については要旨からは不明。

6. 次に読むべき論文は?

- OpenVLA - TACO - Vision-Language-Action (VLA) モデル全般 - MCMC探索 - パワー分布を用いたサンプリング手法

※ 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: Kewei Chen, Yayu Long, Mingsheng Shang

分類: cs.RO

原文アブストラクト

Despite rapid progress in Vision-Language-Action (VLA) models for robotic control, instruction drift remains a persistent failure mode in long-horizon tasks. This paper reconceptualizes this phenomenon, positing that instruction drift is fundamentally a systematic sampling error: local greedy sampling is prone to collapsing into "Negative Pivotal Windows"--irreversible local optima with high local probability that sever global success pathways. To address this, we propose Context-Aware Power Sampling (CAPS), a training-free inference-time computation framework. CAPS leverages power distributions to sharpen global trajectory probabilities, enabling lookahead search over the model's conditional generative trajectory distribution. Furthermore, we introduce a metacognitive control mechanism based on Signal-to-Noise Ratio (SNR). This mechanism triggers adaptive MCMC search solely when drift risk is detected, enabling a dynamic transition from "intuitive fast thinking" to "rational slow search." Experiments on RoboTwin, Simpler-WindowX, and Libero-long benchmarks show that CAPS achieves substantial improvements over strong baselines, including OpenVLA and TACO, without parameter updates. These results support the effectiveness of adaptive inference-time computation for improving long-horizon robustness in embodied control.

  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