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:2607.04171

小型VLAモデルに「どこを見るか」と「どう動くか」を教える

Teaching Tiny VLA Models Where to Look and How to Move

シェア:XThreadsFacebookLINEはてブBluesky

小型の視覚言語行動モデルに、空間的接地と行動生成の能力を効率的に教えるフレームワークXS-VLAを提案。蒸留とフローマッチングにより、実時間制御に適した小型モデルの性能を大幅に向上させた。

詳しい要約

1. どんなもの?

XS-VLAは、小型のVision-Language-Action (VLA)モデル向けの軽量フレームワークで、タスク条件付きの空間的接地と一貫したアクション生成を強化する。展開時のモデルコストを増やさずに、小型VLAポリシーに「どこを見るか」と「どう動くか」を教える。

2. 先行研究と比べてどこがすごい?

従来の小型VLAモデル(例:SmolVLA-0.25B)は、モデル規模の縮小により空間的接地とアクション生成の能力が弱まる問題があった。XS-VLAは、教師モデルからの蒸留と潜在変数を用いたフローマッチングにより、これらの能力を向上させ、LIBEROベンチマークや実世界タスクで大幅な成功率向上を達成している。

3. 技術・手法の肝は?

手法の肝は2つ。1つ目はCoarse-Grained Spatial Distillationで、Qwen3-VL-4Bを教師として、タスク関連オブジェクトの粗い画像平面上の位置ラベルを生成し、空間語彙に量子化してSmolVLM2-0.25Bバックボーンに蒸留する(人間のアノテーション不要)。2つ目はLatent Flow Matchingで、CVAEスタイルの潜在変数とフローベースのポリシー学習を組み合わせ、訓練中のマルチモーダルなデモンストレーションを整理し、展開時に安定したアクションチャンクを生成する。

4. どうやって有効だと検証した?

LIBEROベンチマークで、SmolVLA-0.25Bと比較して平均成功率を82.8%から90.3%に向上させ、LIBERO-Longでは63.0%から89.0%に改善。実世界実験では、単腕配置、精密両腕スタッキング、長期的シーケンシャル協調の3タスクを設計し、平均タスク成功率を21.7%から65.0%に向上させた。

5. 議論はある?

要旨からは、明示的な空間的接地と潜在アクション構造学習が小型VLAモデルをロボット操作に有効にすることを示しているが、計算コストや一般化の限界、他のベンチマークでの性能などについては言及がない。また、教師モデルへの依存や、蒸留の精度が最終性能に与える影響などは議論されていない。

6. 次に読むべき論文は?

要旨で参照されている研究は、Qwen3-VL-4B、SmolVLM2-0.25B、SmolVLA-0.25B、LIBEROベンチマーク、CVAE、フローマッチングなど。次に読むべき論文としては、これらの基盤となったVLAモデル(例:RT-2、OpenVLA)や、フローマッチングを用いたポリシー学習(例:Flow Matching for Generative Modeling)が考えられる。

※ 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: Iok Tong Lei, Ying Jie Yap, Wei Huang, Qingchen Xie, Qianzhi Li, Yujie Zhang, Xiaolong Liu, Zhidong Deng

分類: cs.RO, cs.LG

原文アブストラクト

Tiny Vision-Language-Action models are appealing for real-time robotic control, but reducing model scale often weakens two capabilities essential for manipulation: task-conditioned spatial grounding and coherent action generation. We introduce XS-VLA, a lightweight framework that teaches tiny VLA policies "where to look" and "how to move" without increasing deployment-time model cost. For spatial grounding, Coarse-Grained Spatial Distillation uses Qwen3-VL-4B to produce teacher-derived coarse image-plane location labels for task-relevant objects, which are quantized into a spatial vocabulary and distilled into a SmolVLM2-0.25B backbone without human annotations. For action generation, Latent Flow Matching combines a CVAE-style latent variable with flow-based policy learning to organize multimodal demonstrations during training and produce stable action chunks at deployment. On LIBERO, XS-VLA improves average success from 82.8\% to 90.3\% over SmolVLA-0.25B and improves LIBERO-Long from 63.0\% to 89.0\%. In real-world experiments, we design three tasks covering single-arm placement, precision bimanual stacking, and long-horizon sequential coordination, where XS-VLA improves average task success from 21.7\% to 65.0\%. These results show that explicit spatial grounding and latent action-structure learning can make tiny VLA models effective for robotic manipulation.

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

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