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/RLポストトレーニングarXiv:2608.07314

TEMPO: 視覚-言語-行動モデルのための意味-行動分離型RLポストトレーニング

TEMPO: Semantic-Action Decoupled RL Post-Training for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルのRLポストトレーニングにおいて、視覚-言語バックボーンを凍結し、意味投影層と行動エキスパートを異なる頻度で更新する二段階学習を提案。CALVINベンチマークと実機タスクで既存手法を上回る性能を達成した。

詳しい要約

1. どんなもの?

TEMPOは、Vision-Language-Action (VLA)モデルを下流の操作タスクに適応させるための、セマンティックとアクションを分離した二段階時間スケールの強化学習(RL)ポストトレーニングフレームワークである。事前学習済みのvision-language backboneを凍結し、semantic projection layerとlow-level action expertの2つのコンポーネントのみを異なるレートでRL更新する。

2. 先行研究と比べてどこがすごい?

従来のSFTは分布ミスマッチを起こしやすく、既存のRL手法は全コンポーネントに一様な更新戦略を適用し、機能的な役割の違いを無視していた。TEMPOは、セマンティック表現を保つためにbackboneを凍結し、semantic projection layerとaction expertを異なるレートで更新することで、高速なポリシー更新が高次セマンティック表現を不安定化するのを防ぎつつ、action expertがオンラインフィードバックから効率的に学習できるようにする点が新しい。

3. 技術・手法の肝は?

手法の肝は、semantic-action decoupled two-timescale RLである。具体的には、事前学習済みのvision-language backboneを凍結し、semantic projection layerは低頻度で、low-level action expertは高頻度で更新する。これにより、潜在アクションの安定性を保ちながら、オンライン相互作用からの制御フィードバックを迅速に取り込む。

4. どうやって有効だと検証した?

CALVINベンチマークと実世界の操作タスクで実験を行い、事前学習済みのSOTA VLAモデルとRLポストトレーニングベースラインを一貫して上回る性能を示した。また、2つの実世界タスクで高い評価報酬を達成・維持した。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明。ただし、semantic projection layerの更新頻度の決定方法や、異なるタスクやモデルへの一般性については追加の検討が必要かもしれない。

6. 次に読むべき論文は?

要旨で参照されている研究は、VLAモデルのSFTやRLポストトレーニングに関するもの。具体的には、RLポストトレーニングベースラインとして比較された手法や、事前学習済みVLAモデル(例:RT-2、OpenVLAなど)が関連する。次に読むべき論文としては、これらの基盤となったVLAモデルの論文や、RLポストトレーニングの既存手法を挙げるとよい。

※ 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: Ziheng Liu, Quantao Yang

分類: cs.RO, cs.CV

原文アブストラクト

Vision-language-action (VLA) models are commonly adapted to downstream manipulation tasks via supervised fine-tuning (SFT) or online reinforcement learning (RL) post-training. SFT is prone to distribution mismatch, and existing RL approaches typically apply a single, uniform update strategy to all model components, ignoring their distinct functional roles. We propose TEMPO, a semantic-action decoupled, two-timescale RL post-training framework for VLA models. TEMPO freezes the pretrained vision-language backbone to preserve general semantic representations, and restricts adaptation to two components with dedicated RL optimization loops: the semantic projection layer and the low-level action expert. We update them at different rates--the semantic projection layer infrequently, to keep the latent action stable, and the action expert frequently, to rapidly incorporate control feedback from online interaction. This decoupling RL fine-tuning strategy prevents fast policy updates from destabilizing high-level semantic representations while still allowing the action expert to learn efficiently from online feedback. Experiments on the CALVIN benchmark and real-world manipulation tasks demonstrate that TEMPO consistently outperforms both pretrained state-of-the-art VLA models and the RL post-training baseline, while reaching and maintaining higher evaluation rewards on two real-world tasks.

  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

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