MotionVLA: 幾何学的な動きを視覚言語行動モデルに注入する

- Vision-Language-Action (VLA) モデルに幾何学的な動きを注入する手法 MotionVLA を提案。 - 過去の短い動画ウィンドウを、時間連続的な trajectory-field tokens に変換する motion-history interface。 - 履歴を独立に持ち上げたフレームの集合ではなく、物理的に一貫した運動証拠として表現。 - 現在の visual tokens が履歴にクエリし、タスクに関連する運動情報を取得。 - それを trajectory-grounded supervision の下で VLA ストリームに再結合。 - 長期的な manipulation の曖昧性解消を目的とする。

- 従来の VLA は history, depth, 4D features を条件付けして長期的 manipulation の曖昧性を解消しようとしてきた。 - しかし、運動と一貫しない証拠を注入すると geometric drift、断片的な時間的手がかり、不安定な行動生成を引き起こす可能性がある。 - MotionVLA は「過去のフレームを覚える」のではなく「それらをつなぐ運動を覚える」という視点を導入。 - 疎な独立フレームではなく、物理的に一貫した運動証拠として履歴を表現する点が新しい。 - 単に 4D コンテキストを増やすのではなく、制御に使える運動一貫性のある証拠を提供する。

- 過去のみの短い動画ウィンドウを入力とし、コンパクトで時間連続的な trajectory-field tokens に変換する motion-history interface を導入。 - 現在の visual tokens がこの履歴にクエリを行い、タスクに関連する運動情報を取得。 - 取得した運動情報を trajectory-grounded supervision の下で VLA ストリームに再結合。 - これにより、履歴を疎な独立フレームとして扱うのではなく、物理的に一貫した運動証拠として扱う。 - 具体的なネットワーク構造や学習詳細は要旨からは不明。

- シミュレーションベンチマークと予備的な実ロボットロールアウトで実験を実施。 - MotionVLA は長期的 manipulation を改善し、より滑らかで直接的な実行を生成することを示した。 - 有効性の検証はこれらの実験結果に基づく。 - 具体的なベンチマーク名、評価指標、比較手法は要旨からは不明。

- より多くの時空間証拠が必ずしも良いわけではなく、運動一貫性のない証拠は幾何学的ドリフトや不安定な行動生成を招くという問題提起。 - 効果的な VLA メモリは、より多くの 4D コンテキストを提供することではなく、制御に使用可能な運動一貫性のある証拠を提示することにあると示唆。 - 限界や今後の課題、失敗事例、計算コストなどは要旨からは不明。

- 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、history, depth, 4D features を VLA に条件付けする研究が挙げられるが、具体名は要旨からは不明。 - 同分野の定番として Vision-Language-Action (VLA) モデル、manipulation ベンチマーク、trajectory-field 表現に関する論文を読むことが推奨される。