π0-EqM: 閉ループ視覚言語行動制御のための平衡マッチング

- 本論文は、Vision-Language-Action (VLA) モデルにおける生成的な flow-matching アクションデコーダの課題を解決するため、Equilibrium Matching (EqM) デコーダを導入した π0-EqM を提案する。 - π0 の flow-matching エキスパートを EqM に置き換え、上流の VLA スタックは変更しない。 - 固定サンプリングホライズンによる制限を克服し、状態依存の計算量と制御サイクル間の時間的再利用を可能にする。 - 300ステップの予算で RoboTwin の19タスク平均成功率を40.4%から50.2%に改善し、LIBERO でも競争力があり、特に LIBERO-10 で87.0%を達成。 - 残差と成功率の間のタスク依存の非単調関係を「stationarity--executability gap」と呼び、反復 VLA 制御における推論深度がポリシー設計の一部であることを示唆する。

- 従来の VLA 制御では、生成的な flow-matching アクションデコーダが固定サンプリングホライズンで展開されることが多く、状態依存の計算や制御サイクル間の時間的再利用が制限されていた。 - 本研究は、flow-matching を EqM に置き換えることで、これらの制限を克服し、推論深度をポリシー設計の一部として扱う新たな視点を提供する。 - 具体的な先行研究との比較は要旨からは不明だが、π0 をベースにしている点で、π0 の flow-matching エキスパートに対する改善と言える。

- π0 の flow-matching エキスパートを Equilibrium Matching (EqM) デコーダに置き換える。 - 上流の VLA スタックは変更せず、デコーダのみを変更する。 - EqM は平衡状態に基づくマッチング手法であり、固定サンプリングホライズンではなく、状態依存の計算と時間的再利用を可能にする。 - これにより、反復的な VLA 制御における推論深度を適応的に調整できる。

- RoboTwin の19タスクで評価し、300ステップの予算で平均成功率が40.4%から50.2%に向上。 - LIBERO でも評価し、競争力のある性能を示し、特に LIBERO-10 で87.0%を達成。 - 2つの閾値スキャンにより、残差と成功率の間のタスク依存の非単調関係を明らかにし、stationarity--executability gap と呼ぶ。

- 残差と成功率の間の非単調関係（stationarity--executability gap）が観察され、タスク依存であることが示された。 - 反復 VLA 制御における推論深度がポリシー設計の一部であることを示唆。 - エネルギーに基づく VLA の視点を導入し、タスクや embodiment を超えた構成可能なアクション生成に関する将来の研究に影響を与える可能性がある。 - 具体的な議論の詳細や限界については要旨からは不明。

- 要旨で参照されている研究は π0 のみであり、比較対象として π0 の flow-matching エキスパートが挙げられている。 - 関連手法として、Vision-Language-Action (VLA) モデル、flow-matching、Equilibrium Matching (EqM) が登場する。 - 同分野の定番として、RoboTwin や LIBERO ベンチマーク、および一般的な VLA モデル（例: RT-1, RT-2, Octo など）が考えられるが、要旨では明示されていない。