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:2607.08974

CLAP: 言語-動作接地による直接的なVLMからVLAへの適応

CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みVLMを大規模なロボットデータで再学習せず、最小限のアーキテクチャ変更でVLAに変換する手法を提案。数値の動作系列の前に自然言語の動作記述を付与することで、VLMの言語分布を保ちつつ動作予測を可能にし、LIBEROで高い性能を達成した。

詳しい要約

1. どんなもの?

CLAP (Causal Language-Action Prediction) は、事前学習済みのVision-Language Model (VLM) を、大規模なロボットデータでの再学習やアーキテクチャ変更を最小限に抑えてVision-Language-Action model (VLA) に変換する手法を提案する。各数値アクション系列の前に自然言語のアクション記述を前置し、言語アクションプランに因果的に条件付けしてアクショントークン予測を行う。0.8B, 2B, 4BのマルチスケールなオープンウェイトVLAファミリーを提供する。

2. 先行研究と比べてどこがすごい?

従来のVLAは、大規模なロボットデータでのポストトレーニングやアーキテクチャ変更により、VLMのバックボーンが大きく変形し、VLMの貢献を切り分けるのが困難だった。CLAPはアーキテクチャ変更を最小限にし、単一エポックのファインチューニングのみでVLMの能力を保持したままVLAに変換する。また、アクションを数値トークン系列として予測する際の出力分布のミスマッチを、自然言語のアクション記述を前置することで解決する点が新しい。

3. 技術・手法の肝は?

手法の肝は、各数値アクション系列の前に自然言語のアクション記述を前置し、因果的に条件付けしてアクショントークン予測を行うこと。これにより、VLMの事前学習済みの言語分布から逸脱することなく、アクション予測を言語アクションプランに基づいて行う。バックボーンアーキテクチャは変更しない。

4. どうやって有効だと検証した?

LIBEROベンチマークで2B CLAPが90.8%の成功率を達成し、VLA-0を14.9ポイント上回った。また、LIBERO-PROにおいて、言語、オブジェクト、空間の摂動に対するロバスト性が向上したことを示した。

5. 議論はある?

要旨からは、CLAPの限界や議論についての詳細は不明。ただし、単一エポックのファインチューニングで高い性能を達成しているが、より複雑なタスクや実世界での汎化については今後の検証が必要かもしれない。また、モデルスケールによる能力転移の分析が今後の課題として示唆される。

6. 次に読むべき論文は?

要旨で参照されているVLA-0や、関連するVLAモデル(例: RT-2, OpenVLA)を読むことが推奨される。また、VLMの能力転移を分析するための基盤となるVLM(例: CLIP, LLaVA)も関連する。

※ 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: Yuri Ishitoya, Jeremy Siburian, Masashi Hamaya, Kuniaki Saito, Cristian C. Beltran-Hernandez, Mai Nishimura

分類: cs.RO, cs.AI

原文アブストラクト

Vision-language-action models (VLAs) inherit semantic capabilities from pretrained VLMs, yet large-scale post-training on robot data and architectural modifications can reshape the backbone so extensively that it becomes difficult to isolate what the VLM contributes to control. Directly converting pretrained VLMs into VLAs with minimal architectural change offers a more transparent path to understanding how VLM capabilities transfer across model scales. The core obstacle is output-distribution mismatch: predicting actions as bare numeric token sequences moves generation away from the VLM's pretrained language distribution, degrading the capabilities we seek to preserve. To address this, we propose CLAP (Causal Language-Action Prediction), which prepends each numeric action sequence with a natural-language action description, causally conditioning precise action-token prediction on a language-action plan without modifying the backbone architecture. With single-epoch fine-tuning alone, 2B CLAP achieves 90.8% on LIBERO (+14.9 pt over VLA-0) and improves robustness on LIBERO-PRO under language, object, and spatial perturbations. We will release CLAP at 0.8B, 2B, and 4B as an open-weight, multi-scale compact VLA family from a single VLM lineage, enabling controlled analysis of VLM-to-VLA capability transfer.

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