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:2606.06245

MPCoT: 報酬誘導型マルチパス潜在推論によるテスト時スケーラブルな視覚言語行動モデル

MPCoT: Reward-Guided Multi-Path Latent Reasoning for Test-Time Scalable Vision-Language-Action

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語行動(VLA)モデルの推論時に、複数の潜在的な行動仮説を並列に洗練して統合する報酬誘導型フレームワークを提案し、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?

- Vision-Language-Action (VLA) ポリシーのための推論時スケーラブルな推論フレームワーク。 - 長期的・高不確実性制御における脆さを改善する。 - 明示的な chain-of-thought ではなく、潜在空間での多経路推論を行う。 - 推論トークンを生成せず、元の 8-step action interface を保持する。 - 推論制御パラメータ (K, M) を公開する。

2. 先行研究と比べてどこがすごい?

- 明示的 chain-of-thought は推論深度を増すが、トークン遅延と間接的な text-to-action インターフェースを導入する。 - MPCoT はゼロ推論トークンで、直接的な action decoding を維持する。 - 潜在空間での多経路推論により、推論時スケーラビリティを実現する。 - 報酬ガイド付き経路選好目的により、下流の実行品質と整合させる。

3. 技術・手法の肝は?

- M 個の仮説を初期化し、K 回の weight-tied ステップで洗練する。 - それらを soft に集約してから action decoding を行う。 - 訓練時のみの path-preference 目的関数を導入。 - 候補行動分岐を expert-action consistency、world-model/VLM-based progress、success feedback で評価する。 - 潜在経路スコアラーを下流の実行品質に整合させる。

4. どうやって有効だと検証した?

- LIBERO と CALVIN で matched protocols の下で評価。 - 長期的性能の改善を確認。 - アブレーションにより depth-width 効果、confidence-weighted aggregation、reward-guided path supervision を検証。

5. 議論はある?

- 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: explicit chain-of-thought を用いた VLA ポリシー。 - 関連手法: LIBERO, CALVIN ベンチマーク。 - 同分野の定番: Vision-Language-Action (VLA) ポリシー、chain-of-thought reasoning。

※ 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: Boyang Zhang, Lianlei Shan

分類: cs.RO, cs.AI

原文アブストラクト

Vision-Language-Action (VLA) policies remain brittle in long-horizon and high-uncertainty control, where one-pass action decoding provides limited inference-time deliberation. Explicit chain-of-thought can increase reasoning depth, but introduces token latency and an indirect text-to-action interface. We propose MPCoT, a reward-guided multi-path latent reasoning framework that initializes $M$ hypotheses, refines them for K weight-tied steps, and softly aggregates them before action decoding. A training-only path-preference objective evaluates candidate action branches with expert-action consistency, world-model/VLM-based progress, and success feedback to align the latent path scorer with downstream execution quality. MPCoT preserves the original 8-step action interface, generates zero reasoning tokens, and exposes configurable inference controls (K,M). Under matched protocols on LIBERO and CALVIN, MPCoT improves long-horizon performance, with ablations confirming depth-width effects, confidence-weighted aggregation, and reward-guided path supervision.

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. 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