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:2607.13429

表現アンカリングと言語-行動整合による汎化可能なVLAファインチューニング

Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みVLMをロボットデモでファインチューニングする際に生じる表現劣化と言語-行動の不整合を防ぐため、凍結VLMからの層別蒸留と行動を離散方向ラベル化して同一観測で言語・行動を学習する手法を提案し、実機とシミュレーションで性能向上を確認した。

詳しい要約

1. どんなもの?

Anchor-Alignは、事前学習済みのVision-Language Model (VLM)をロボットのデモンストレーションでBehavior Cloning (BC)によりファインチューニングする際に生じる、視覚的・意味的一般化を支える事前学習表現の破壊と、言語と行動のミスアライメントという問題に対処する手法。BCに2つの目的を追加する。1つはVision-Language Anchoringで、凍結したVLMコピーからの層ごとの表現を蒸留し、表現のドリフトを防ぐ。もう1つはLanguage-Action Alignmentで、各行動ターゲットを離散的な運動方向ラベルに変換し、同じロボット観測に対して言語予測と行動予測を共同訓練する。物理ロボットxArm7とシミュレーションで有効性を示す。

2. 先行研究と比べてどこがすごい?

従来のBCファインチューニングは事前学習表現を徐々に上書きし、視覚的・意味的一般化を損なう。Webの画像テキストデータでの共同訓練は一般的な対策だが、言語損失と行動損失を別々の観測に適用するため、言語と行動のミスアライメントが残り、標準的な操作ベンチマークでは顕在化しない。Anchor-Alignは、表現のドリフトを防ぐ蒸留と、同一観測での言語・行動の共同訓練を導入することで、これらの問題を直接的に解決する点が新しい。

3. 技術・手法の肝は?

手法の肝は2つの追加目的。Vision-Language Anchoringは、凍結したVLMコピーから層ごとの表現を蒸留し、BC中に事前学習表現が破壊されるのを防ぐ。Language-Action Alignmentは、各行動ターゲットを離散的な運動方向ラベル(例:'move left')に変換し、同じロボット観測に対して言語予測と行動予測を同時に訓練する。これにより、言語と行動の表現が整合し、一般化が向上する。

4. どうやって有効だと検証した?

物理ロボットxArm7上で、2つの広く使われるVLAアーキテクチャ(具体的な名前は要旨にない)で評価し、実ロボット成功率が28%から54%、37%から60%に向上。シミュレーションでは、LIBERO-PROでOOD摂動、LIBERO-Plusで知覚的ロバスト性、CALVINで長期的制御において一貫した改善を示した。

5. 議論はある?

要旨からは、提案手法が事前学習表現の保持と効果的な行動学習が根本的に対立しないことを示唆しているが、議論の詳細は不明。また、標準的な操作ベンチマークでは言語と行動のミスアライメントが顕在化しないという指摘は、評価方法に関する議論を呼ぶ可能性がある。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、VLAポリシー、Behavior Cloning、Vision-Language Modelのファインチューニングに関する研究が関連する。具体的には、RT-2やOpenVLAなどのVLAモデル、また表現蒸留や共同訓練に関する手法が挙げられる。

※ 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: Dwip Dalal, Shivansh Patel, Chahit Jain, Jeonghwan Kim, Utkarsh Mishra, Alex Baratian, Hyeonjeong Ha, Heng Ji, Svetlana Lazebnik, Unnat Jain

分類: cs.RO, cs.CV

原文アブストラクト

Finetuning a pretrained vision-language model (VLM) on robot demonstrations via behavior cloning (BC) has become the standard recipe for vision-language-action (VLA) policies. However, BC finetuning progressively overwrites the pretrained representations that support visual and semantic generalization. Co-training on web image-text data, a common remedy, does not prevent this; it applies language and action losses to separate observations, leaving VLAs with language-action misalignment that standard manipulation benchmarks do not expose. We propose Anchor-Align, which augments BC with two objectives: Vision-Language Anchoring distills layer-wise representations from a frozen VLM copy to prevent this drift, while Language-Action Alignment converts each action target into a discrete motion-direction label and jointly trains language and action prediction on the same robot observation. On a physical xArm7 robot, across two widely used VLA architectures, Anchor-Align improves real-robot success on both (28% to 54% and 37% to 60%). At scale in simulation, we demonstrate consistent improvements on OOD perturbations, perceptual robustness, and long-horizon control across LIBERO-PRO, LIBERO-Plus, and CALVIN, respectively, suggesting that preserving pretrained representations and effective action learning are not fundamentally at odds. Project page: anchoralignvla.github.io

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI