日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/不確実性/操作arXiv:2607.08575

FabriVLA: 軽量視覚言語行動モデルと共形アクションチャンク不確実性

FabriVLA: A Lightweight Vision-Language-Action Model with Conformal Action Chunk Uncertainty

シェア:XThreadsFacebookLINEはてブBluesky

軽量なVLAモデルFabriVLAを提案し、Meta-World MT50で90%の成功率を達成。さらに、共形予測を用いてアクションの不確実性を定量化するJCAC法を導入し、実行前のリスク評価を可能にした。

詳しい要約

1. どんなもの?

FabriVLAは、ロボット操作のための軽量なVision-Language-Action (VLA)モデルであり、浅い層と中間のVLM層を融合して細かい視覚特徴を保持し、アクショントークン間のself-attentionをゲートすることで、flow matching headが訓練で必要とされる範囲でのみinter-step構造を扱えるようにする。また、JCAC (Joint Conformal Action Chunk Calibration) というポストトレーニング手法を導入し、凍結したポリシーに軽量な残差スケールヘッドを追加して、ユーザーが選択した信頼水準で実行されるアクション全体をカバーする集合を生成する。

2. 先行研究と比べてどこがすごい?

従来のVLAモデルは計算コストが高く、不確実性の認識が限定的である。FabriVLAは、0.88Bパラメータという軽量さでMeta-World MT50において90.0%の平均成功率を達成し、state-of-the-artを更新した。また、JCACは、単一のポリシークエリから、無条件のconformal setよりも平均半径で3.3倍タイトなセットを生成し、実行前にリスクでロールアウトをランク付けできるため、監査可能な枠組みを提供する。

3. 技術・手法の肝は?

FabriVLAは、浅い層と中間のVLM層を融合して視覚特徴を保持し、アクショントークン間のself-attentionをゲートすることで、flow matching headが訓練で必要な範囲でのみinter-step構造を扱えるようにする。エンドツーエンドで単一ステージ訓練される。JCACは、凍結したポリシーに軽量な残差スケールヘッドを追加し、学習された要素ごとの誤差スケールを、実行されるアクション全体をカバーする集合に変換する。

4. どうやって有効だと検証した?

Meta-World MT50で平均成功率90.0%を達成し、LIBERO-SafetyでJCACの境界が実行前にリスクでロールアウトをランク付けできることを示した。また、JCACのセットは無条件のconformal setよりも平均半径で3.3倍タイトであることを検証した。

5. 議論はある?

要旨からは、JCACの理論的保証や、異なる信頼水準での挙動、実ロボットでの検証などについての詳細は不明。また、FabriVLAの軽量性と性能のトレードオフや、他のベンチマークでの汎用性についての議論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、関連する分野として、Vision-Language-Actionモデル、Conformal Prediction、ロボット操作のための不確実性推定に関する論文が挙げられる。具体的には、RT-2やOctoなどのVLAモデル、およびconformal predictionの基礎論文が関連する。

※ 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: Shiyuan Yang, Borong Zhang, Jizheng Zhang, Zhijia Tao, Junfei Guo, Donglai Ran, Xu Bian, Qingbiao Li

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have become a leading paradigm for general purpose robotic manipulation, but their computational cost and limited uncertainty awareness hinder practical deployment. We present FabriVLA, a lightweight VLA that fuses shallow and intermediate VLM layers to preserve fine-grained visual features, and gates self-attention among action tokens so that its flow matching head admits inter step structure only as far as training warrants. Trained end-to-end in a single stage, FabriVLA reaches a state-of-the-art 90.0\% average success on Meta-World MT50 with only 0.88B parameters. We further introduce Joint Conformal Action Chunk Calibration (JCAC), a post-training method that augments a frozen policy with a lightweight residual scale head. From a single policy query, JCAC turns a learned elementwise error scale into a set that covers the whole executed action prefix at a user chosen confidence level, 3.3$\times$ tighter in mean radius than an unconditional conformal set. On LIBERO-Safety, these bounds rank rollouts by risk before execution, supporting risk ranked review. Together, FabriVLA and JCAC provide a lightweight and auditable framework for multi-task manipulation with calibrated action uncertainty.

  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