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:2605.25802

VLA初期化のためのVLM表現の再考

Rethinking VLM Representation for VLA Initialization

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの初期化に使う事前学習済みVLM表現の設計を、能力別のVQA教師信号・パラメータ更新戦略・ロボットデータ事前学習の3軸で分析し、元のVLM表現の保持が重要で、LoRAベースの段階的学習が最良であることを示した。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルにおいて、事前学習済み Vision-Language Model (VLM) をポリシーバックボーンとして利用する際の初期化方法を研究。 - VLA 初期化を表現設計問題として捉え、3つの軸(能力レベルの embodied VQA 監督、パラメータ更新戦略、ロボットデータ事前学習)で制御された実験を実施。 - 事前学習済み VLM 表現自体が行動性能の重要な源であることを示す。

2. 先行研究と比べてどこがすごい?

- 従来、VLM を VLA に適応させる際の初期化の影響は不明確だった。 - 本研究は、embodied VQA 適応が一様な利益をもたらさず、下流のボトルネックに依存し、異なる能力領域の利益が単純に加算的でないことを明らかにした。 - 更新戦略では LoRA が Full Finetune より信頼性の高い初期化を提供し、過度な再形成が VLA 初期化を弱めることを示した。 - ロボットデータ事前学習が VLA 初期化をさらに改善し、段階的 LoRA ベース訓練が最強の変種であることを示した。

3. 技術・手法の肝は?

- 3つの軸:能力レベルの embodied VQA 監督、パラメータ更新戦略(LoRA vs Full Finetune)、ロボットデータ事前学習。 - 段階的 LoRA ベース訓練により、最強の VLA 初期化を実現。 - 行動に関連する embodied およびロボット軌道信号を注入しつつ、行動学習に有用な事前学習済み VLM 表現を保持する。

4. どうやって有効だと検証した?

- 制御された表現設計実験を通じて、各軸の影響を評価。 - 具体的なデータセットやベンチマークは要旨からは不明。 - 実験結果から、事前学習済み VLM 表現の重要性、embodied VQA 適応の非一様な利益、LoRA の有効性、ロボットデータ事前学習の改善効果を検証。

5. 議論はある?

- embodied VQA 適応の利益は下流のボトルネックに依存し、異なる能力領域の利益は加算的でない。 - 過度な再形成は VLA 初期化を弱める可能性がある。 - 効果的な VLM-to-VLA 適応は、行動関連信号を注入しつつ、有用な事前学習表現を保持すべき。 - 具体的な議論や限界は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Vision-Language-Action (VLA) モデル、Vision-Language Model (VLM)、LoRA、Full Finetune、embodied VQA が挙げられる。 - 同分野の定番として、RT-1、RT-2、PaLM-E などが考えられるが、要旨に記載なし。

※ 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: Weifeng Lin, Siyuan Huang, Hao Li, Tingwei Chen, Ruichuan An, Xinyu Wei, Jianbo Liu, Hongsheng Li

分類: cs.CV

原文アブストラクト

Vision-Language-Action (VLA) models widely adopt pretrained Vision-Language Models (VLMs) as policy backbones, yet it remains unclear what kind of pretrained VLM representation is useful as a VLA initialization. In this paper, we study VLA initialization as a controlled representation-design problem along three axes: capability-level embodied VQA supervision, parameter-update strategy, and robot-data pretraining. Our experiments show that the original pretrained VLM representation is a key source of action performance. However, embodied VQA adaptation does not yield uniform gains: its benefit depends on downstream bottlenecks, and gains from different capability domains are not simply additive. For update strategy, LoRA provides a more reliable initialization than Full Finetune, indicating that overly reshaping the pretrained representation can weaken VLA initialization. Robot-data pretraining further improves VLA initialization, with the strongest variant obtained by staged LoRA-based training. Together, these findings suggest that effective VLM-to-VLA adaptation should inject action-relevant embodied and robot-trajectory signals while preserving the pretrained VLM representation that remains useful for action learning.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI