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/強化学習arXiv:2607.12931

ExToken: 効率的なVision-Language-Action強化学習のための構造化探索

ExToken: Structured Exploration for Efficient Vision-Language-Action Reinforcement Fine-tuning

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの強化学習における探索停滞問題を分析し、軌跡の多様性がサンプル効率に重要であることを示した上で、オフラインのデモから得た離散的な行動プリミティブに基づいて探索を構造化するExTokenフレームワークを提案した。

詳しい要約

1. どんなもの?

- VLAモデルの強化学習ファインチューニングを効率化するフレームワークExTokenを提案。 - 探索の停滞がボトルネックであることを指摘し、軌道の多様性がサンプル効率に重要と示す。 - オフラインデモから得た離散的行動priorでポリシーを条件付け、構造的探索を実現。 - 展開時には状態条件付きトークンセレクタで決定論的推論を可能にする。

2. 先行研究と比べてどこがすごい?

- 従来のVLA-RLは環境相互作用コストが大きくスケーラビリティが制限されていた。 - ロールアウトの量よりも軌道の多様性がサンプル効率に本質的に重要であることを明らかにした。 - ExTokenは単純かつ汎用的で、探索効率と収束速度を大幅に改善する。

3. 技術・手法の肝は?

- オフラインデモから離散的行動prior(トークン)を抽出し、ポリシーを条件付け。 - ロールアウト収集時に異なるトークンで条件付けることで多様な行動モードを探索。 - 状態条件付きトークンセレクタを導入し、未見シナリオで有効な行動モードを適応的に予測。 - 訓練時の探索と展開時の決定論的推論を橋渡しする。

4. どうやって有効だと検証した?

- シミュレーションと実世界のロボットマニピュレーションタスクで広範な実験を実施。 - ExTokenが収束を加速し、タスク性能を向上させ、厳しい相互作用予算下で堅牢性を示すことを確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明記されていない。同分野の定番としてVLAモデル(RT-2, OpenVLAなど)やRLファインチューニング手法(RLHF, PPOなど)が挙げられる。

※ 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: Yilun Kong, Yunpeng Qing, Guozheng Ma, Haoyu Wang, Li Shen, Zhi Hou, Dacheng Tao

分類: cs.RO

原文アブストラクト

Reinforcement Learning (RL) has demonstrated significant potential for improving Vision-Language-Action (VLA) models on complex manipulation tasks. However, its practical scalability remains severely limited by the substantial cost of environmental interactions. In this work, we first investigate the exploration stagnation bottleneck in current VLA-RL frameworks and reveal that trajectory diversity is fundamentally more important to sample efficiency than the sheer quantity of collected rollouts. Motivated by these insights, we introduce RL Exploration Token (ExToken), a simple yet general framework that condition VLA policies on discrete behavioral priors derived from offline demonstrations for structured exploration. By conditioning the policy on different tokens during rollout collection, ExToken encourages the agent to explore diverse behavioral modes, substantially improving state-action coverage and exploration efficiency. To bridge exploration during training with deterministic inference at deployment, ExToken further incorporates a state-conditioned token selector that adaptively predicts effective behavioral modes for unseen scenarios. Extensive experiments across simulated and real-world robotic manipulation tasks demonstrate that ExToken consistently accelerates convergence, improves task performance, and exhibits strong robustness under highly constrained interaction budgets.

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