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/検証arXiv:2605.22446

Pre-VLA: 信頼性の高い視覚言語行動・ワールドモデル展開のための先制ランタイム検証

Pre-VLA: Preemptive Runtime Verification for Reliable Vision-Language-Action and World-Model Rollouts

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルや生成ワールドモデルの行動生成の不確実性に対処するため、物理実行や想像の前に行動の妥当性を検証する統一ランタイム検証アーキテクチャを提案した。

詳しい要約

1. どんなもの?

- 大規模VLAモデルと生成的世界モデル(WM)の実運用における不確実性に対処するため、物理実行やWM想像の前に行動の有効性を先制的に評価するランタイム検証アーキテクチャ「Pre-VLA」を提案。 - 効率的なマルチモーダルバックボーンとモダリティ対応プーリング、軽量な二枝ヘッドを備え、候補行動チャンクの安全性信頼度と批評家由来のアドバンテージスコアを予測する。 - 展開時には二重モード先制リサンプリングスケジューラにより、低品質行動をフィルタリングし、限られた計算予算で適応的リサンプリングをトリガーする。

2. 先行研究と比べてどこがすごい?

- 従来のVLAやWMは学習ベースの行動生成の不確実性により、物理的失敗や冗長なレンダリングコストを伴う誤誘導的なロールアウトが生じる問題があった。 - Pre-VLAは実行前検証を導入することで、LIBEROベンチマークにおいてRynnVLA-002と比較して4スイート平均の閉ループ成功率を30.79%から37.62%に改善し、タスク実行ステップを削減、WMロールアウトの誤差蓄積を緩和する。 - 平均転送検証時間は行動チャンクあたり183.9 msを達成。

3. 技術・手法の肝は?

- 効率的なマルチモーダルバックボーンとモダリティ対応プーリング、軽量二枝ヘッドを採用し、安全性信頼度と批評家由来のアドバンテージスコアを予測。 - クラス不均衡と不安定な境界決定に対処するため、Focal分類、アドバンテージ回帰、ソフト閾値キャリブレーションを組み合わせたマルチタスク目的で訓練。 - 展開時には二重モード先制リサンプリングスケジューラが低品質行動をフィルタリングし、限られた計算予算で適応的リサンプリングを実行。

4. どうやって有効だと検証した?

- LIBEROベンチマークでの実験により、RynnVLA-002と比較して4スイート平均の閉ループ成功率が30.79%から37.62%に向上。 - タスク実行ステップの削減、行動チャンクあたり平均183.9 msの転送検証時間、WMロールアウトにおける誤差蓄積の緩和を確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- RynnVLA-002(比較対象)、LIBEROベンチマーク、VLAモデル、生成的世界モデル(WM)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: Zhen Sun, Yongjian Guo, Haoran Sun, Luqiao Wang, Wei Lu, Jiachi Ji, Shengzhe Ji, Junwu Xiong, Zhijun Meng

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

While large vision-language-action (VLA) models and generative world models (WM) have advanced long-horizon embodied intelligence, their practical deployment remains challenged by uncertainty in learning-based action generation. Low-quality actions may cause physical failures during execution or lead to misleading world-model rollouts with redundant rendering costs. To address this issue, we propose Pre-VLA, a unified runtime verification architecture that performs preemptive action validity assessment before physical execution or world-model imagination. Pre-VLA leverages an efficient multimodal backbone with modality-aware pooling and a lightweight dual-branch head to predict both safety confidence and critic-derived advantage scores for candidate action chunks. To handle severe class imbalance and unstable boundary decisions, we train Pre-VLA with a multi-task objective combining Focal classification, advantage regression, and soft-threshold calibration. During deployment, a dual-mode preemptive resampling scheduler filters low-quality actions and triggers adaptive resampling under a limited computation budget. Experiments on the LIBERO benchmark show that Pre-VLA improves the average closed-loop success rate across four suites from 30.79\% to 37.62\% over RynnVLA-002, reduces task execution steps, achieves 183.9 ms average forward verification time per action chunk, and mitigates error accumulation in world-model rollouts.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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