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:2607.20771

Mixture-of-Experts VLAにおける創発的な構成スキル

Emergent Compositional Skills in Mixture-of-Experts VLAs

シェア:XThreadsFacebookLINEはてブBluesky

専門家デモからロボットポリシーをエンドツーエンドで学習する際、Mixture-of-Expertsアーキテクチャを用いることで、タスク分解や階層構造を事前に定義せずとも、再利用可能で解釈可能なプリミティブが創発的に獲得されることを示した論文。

詳しい要約

1. どんなもの?

本論文は、専門家のデモンストレーションからエンドツーエンドで構成可能なロボットポリシーを学習する問題を扱う。タスク分解や階層構造の事前定義なしに、簡略化されたMixture-of-Experts (MoE)アクションヘッドを備えたVLAが、タスクを再利用可能で解釈可能なプリミティブに創発的に分解できるかを問う。学習されたエキスパートがタスク間で重用され、質的に異なる低レベル行動に対応することを見出し、ルーターが高レベルのシーケンシングを暗黙に学習し、エキスパートが構成プリミティブとして機能することを示唆する。

2. 先行研究と比べてどこがすごい?

先行研究では、タスク分解や階層構造を事前に定義することが一般的であるが、本手法はそのような事前定義なしに、MoEアーキテクチャを用いて創発的に分解を学習する点が新しい。また、単一のモノリシックなベースラインと同等のタスク性能を維持しつつ、エキスパートの専門化を実現している点が優れている。

3. 技術・手法の肝は?

手法の肝は、VLAのアクションヘッドを簡略化したMoEに置き換えることである。ルーターが入力に応じてエキスパートを選択し、各エキスパートが異なる低レベル行動を担当する。これにより、ルーターが高レベルのタスクシーケンスを学習し、エキスパートが再利用可能なプリミティブとして機能する。

4. どうやって有効だと検証した?

有効性の検証方法は、要旨からは不明である。ただし、MoEがモノリシックなベースラインと同等のタスク性能を示し、エキスパートの専門化が観察されたと述べられている。具体的な実験設定や評価指標は要旨に記載されていない。

5. 議論はある?

議論としては、エキスパートの専門化が創発的に現れることが示されたが、その解釈可能性や、タスク分解の質についての詳細な分析は要旨からは不明である。また、MoEの設計選択(エキスパート数、ルーティングの方法など)が結果に与える影響についても議論の余地がある。

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、VLA (Vision-Language-Action)モデル、Mixture-of-Experts、階層的強化学習、ロボットポリシーの構成性に関する研究が挙げられる。具体的には、RT-2やPaLM-EなどのVLAモデル、MoEを用いた大規模言語モデル、オプション理論に基づく階層的強化学習などが関連する。

※ 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: Shlok Shah, Rhiaan Jhaveri, Tharun Kumar Tiruppali Kalidoss, Chirayu Nimonkar, Ishaan Javali, Dhruv Shah

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

We consider the problem of learning compositional robot policies end-to-end from expert demonstrations, without any pre-specified notion of task decomposition or hierarchy. We ask whether a VLA trained with a simplified Mixture-of-Experts (MoE) action head can emergently learn to decompose tasks into reusable, interpretable primitives. We find that learned experts are heavily reused across tasks and consistently correspond to qualitatively distinct low-level behaviors, suggesting that the router implicitly learns to perform high-level sequencing while experts serve as compositional primitives. Our MoE matches the task performance of a monolithic baseline while demonstrating meaningful expert specialization, a step toward modular, interpretable robot policies that emerge from data alone.

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