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:2605.18287

StableVLA: 追加データなしで堅牢な視覚言語行動モデルを実現

StableVLA: Towards Robust Vision-Language-Action Models without Extra Data

シェア:XThreadsFacebookLINEはてブBluesky

視覚障害に対するVLAモデルの脆弱性を調査し、情報理論に基づく軽量アダプタ(IB-Adapter)を提案。追加データや拡張なしで平均30%の性能向上を達成し、パラメータ増加は10M未満。

詳しい要約

1. どんなもの?

- 視覚外乱に対するVLAモデルのロバスト性を向上させる研究。 - 訓練データにない視覚外乱で性能が大幅に低下することを示す。 - 情報理論に基づく軽量アダプタIB-Adapterを提案。 - 追加データや拡張なしで平均30%改善、パラメータ増加は10M未満。 - 0.5Bパラメータで7B規模のSOTA VLAと競合するロバスト性を実現。

2. 先行研究と比べてどこがすごい?

- 従来のVLAモデルは訓練データにない視覚外乱に弱い。 - 追加データやデータ拡張に頼らずロバスト性を改善。 - パラメータ増加が10M未満と軽量。 - 0.5Bのバックボーンで7B規模のSOTA VLAと同等のロバスト性。 - Open X-Embodimentでの事前学習なしでも競争力がある。

3. 技術・手法の肝は?

- 情報理論に基づくInformation Bottleneck Adapter (IB-Adapter)を提案。 - 視覚入力から潜在的なノイズを選択的にフィルタリング。 - 追加データや拡張戦略を必要としない。 - パラメータ増加は10M未満。 - 長期的タスクの精度を維持。

4. どうやって有効だと検証した?

- 最近のSOTA VLAモデルに基づく系統的研究を実施。 - 訓練データにない視覚外乱を導入し性能低下を確認。 - IB-Adapterがベースラインを平均30%改善。 - 合成および物理的な視覚劣化下でOpenPiを上回る。 - 0.5Bパラメータで7B規模のSOTA VLAと競合するロバスト性を検証。

5. 議論はある?

- 訓練データに全ての外乱を含めることは不可能。 - 不完全な視覚条件下でのロバスト性が重要。 - IB-Adapterの有効性と効率性を示す。 - 追加データなしでロバスト性を改善できることを議論。 - 長期的タスクの精度維持についても言及。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: 最近のSOTA VLAモデル、OpenPi、Open X-Embodimentデータセット。 - 関連手法: Information Bottleneck、VLAモデル全般。 - 同分野の定番: Vision-Language-Actionモデル、ロバスト性研究。

※ 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: Yiyang Fu, Chubin Zhang, Shukai Gong, Yufan Deng, Kaiwei Sun, Qiyang Min, Qibin Hou, Yansong Tang, Jianan Wang, Daquan Zhou

分類: cs.CV, cs.RO

原文アブストラクト

It is infeasible to encompass all possible disturbances within the training dataset. This raises a critical question regarding the robustness of Vision-Language-Action (VLA) models when encountering unseen real-world visual disturbances, particularly under imperfect visual conditions. In this work, we conduct a systematic study based on recent state-of-the-art VLA models and reveal a significant performance drop when visual disturbances absent from the training data are introduced. To mitigate this issue, we propose a lightweight adapter module grounded in information theory, termed the Information Bottleneck Adapter (IB-Adapter), which selectively filters potential noise from visual inputs. Without requiring any extra data or augmentation strategies, IB-Adapter consistently improves over the baseline by an average of 30%, while adding fewer than 10M parameters, demonstrating notable efficiency and effectiveness. Furthermore, even with a 14x smaller backbone (0.5B parameters) and no pre-training on the Open X-Embodiment dataset, our model StableVLA achieves robustness competitive with 7B-scale state-of-the-art VLAs. With negligible parameter overhead (<10M), our approach maintains accuracy on long-horizon tasks and surpasses OpenPi under both synthetic and physical visual corruptions.

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