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:2607.03693

CoRE-VLA:条件付きエキスパートルーティングによるスケーラブルで堅牢な視覚言語行動モデリング

CoRE-VLA: Towards Scalable and Robust Vision-Language-Action Modeling via Conditional Routing of Experts

シェア:XThreadsFacebookLINEはてブBluesky

センサ欠落や多様な構成に頑健なVLAモデルを提案し、センサ可用性とタスク意図に基づく条件付きスパース計算でエキスパートをルーティングする。

詳しい要約

1. どんなもの?

CoRE-VLAは、ロボット操作のためのVision-Language-Action (VLA)モデルであり、センサ構成の多様性やセンサ欠落に対する堅牢性を扱う。アクション生成をコンテキスト条件付きスパース計算として定式化し、センサの利用可能性に応じてモダリティ特化エキスパートをゲートすることで、再学習なしにセンサ欠落へのグレースフルデグラデーションを実現する。また、タスク意図に基づいてアクション表現をタスク関連エキスパートにルーティングし、多様なタスクや長期的なサブゴールへの特化を向上させる。実験では深度を代表的な補助モダリティとして扱う。

2. 先行研究と比べてどこがすごい?

既存のVLAポリシーは、固定センサセットにアクション生成を結合し、共有の高密度計算を用いるため、センサ欠落時に脆弱であり、多様なタスクや長期的行動への特化が制限される。CoRE-VLAは、センサ可用性に応じてモダリティ特化エキスパートをゲートするスパース計算を導入し、再学習なしでセンサ欠落に対応できる点、およびタスク意図によるルーティングでタスク特化を向上させる点が新しい。

3. 技術・手法の肝は?

手法の核は、アクション生成をコンテキスト条件付きスパース計算として定式化すること。センサ可用性がモダリティ特化エキスパートへのゲートを決定し、欠落センサのモジュールをスキップする。さらに、タスク意図がアクション側表現をタスク関連エキスパートにルーティングし、タスクや長期的サブゴールへの特化を促す。これにより、センサ欠落時の堅牢性とタスク特化のスケーラビリティを両立する。

4. どうやって有効だと検証した?

LIBERO、RoboCasa GR1 Tabletop、実世界の双腕操作タスクで実験。長期的・マルチタスクベンチマークで強い結果を示し、高密度アクション生成器のアブレーションや強力な事前学習VLAベースラインを上回った。さらに、未見シナリオへのゼロショット汎化でも優れる。モダリティ分析により、深度が利用可能な場合はそれを活用し、利用不可でも堅牢であることを確認した。

5. 議論はある?

要旨からは、センサ欠落への対応は深度に焦点を当てているが、他の補助センサへの拡張は設計上可能とされる。また、スパース計算による計算効率や、エキスパートのルーティングがタスク分布に依存する可能性など、詳細な議論は不明。ゼロショット汎化の限界や、実世界でのセンサ欠落パターンの多様性についての考察は要旨に含まれていない。

6. 次に読むべき論文は?

要旨で参照されている研究は明示されていないが、関連手法としてVLAモデル一般(例:RT-2、OpenVLA)や、モジュラーなエキスパートを用いるMixture of Experts (MoE)アプローチ、センサ欠落に対処するロバスト制御の研究が挙げられる。具体的には、OpenVLAやRT-2などの事前学習VLAモデル、およびMoEを用いた大規模言語モデルの研究が関連する。

※ 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: Haozhe Zhang, Sixian Li, Yifei Zhang, Zezheng Huai, Hao Chen, Chunhua Shen, Jingjing Gong, Xipeng Qiu

分類: cs.RO

原文アブストラクト

Vision-language-action (VLA) models have advanced generalist robotic manipulation, yet real-world deployment reveals a fundamental challenge: robots are equipped with diverse and heterogeneous sensor configurations, auxiliary sensors can fail unexpectedly during operation, and different robot embodiments often lack certain sensors by design. A unified policy that can exploit auxiliary perceptual inputs when available while remaining reliable under sensor absence, whether incidental or by design, is therefore essential for practical deployment. However, existing VLA policies couple action generation to a fixed sensor set through shared dense computation, making them brittle when sensors are missing and limiting their ability to specialize across diverse tasks and long-horizon behaviors. We propose CoRE-VLA, a scalable and robust VLA framework that formulates action generation as context-conditioned sparse computation. Sensor availability gates modality-specialized experts, enabling graceful degradation under missing sensors without retraining. Task intent further routes action-side representations to task-relevant experts, improving specialization across diverse tasks and long-horizon subgoals. While the framework is designed to accommodate different auxiliary sensors, we focus on depth as a representative and practically important auxiliary modality in our experiments. Experiments on LIBERO, RoboCasa GR1 Tabletop, and real-world dual-arm manipulation show that CoRE-VLA achieves strong results on long-horizon and multi-task benchmarks, and outperforms both a dense-action-generator ablation and a strong pretrained VLA baseline, including in zero-shot generalization to unseen scenarios. Modality analysis shows that CoRE-VLA can exploit auxiliary depth when available while remaining robust when depth is unavailable during deployment.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI