Vela: 適応的行動曲線パラメータ化による視覚-言語-行動モデルのスケーリング

- Velaは、vision-language-action model (VLA) の一種で、将来のロボット動作を連続的なtrajectoryとして表現する基盤モデル。 - 従来のfixed-rate action chunksではなく、spline-based action representationを採用。 - motion-dependent temporal supportとshared action interfaceにより、異なるembodimentに対応。 - 大規模multi-embodiment robot dataでpretrainし、LIBERO-X, EBench, 実世界のlong-horizonタスク（egg-cake cooking, potato shredding）で評価。

- 従来のVLAはfuture motionをfixed-rate action chunksで表現し、temporal resolutionとprediction horizonが固定のoutput budgetに縛られる。 - このpointwise表現は、隣接する相関の高いactionに容量を浪費し、temporal continuityやsmoothnessを暗黙的に学習する必要があった。 - また、long-horizon coverageとcontact-rich manipulationに必要なlocal precisionのトレードオフが生じていた。 - Velaは連続trajectory表現により、これらの制限を克服し、固定output budgetでtemporal resolutionを動作に応じて適応させる。

- compact spline-based action representationを採用し、future robot behaviorを連続trajectoryとしてモデル化。 - motion-dependent temporal supportにより、動作の種類に応じて時間分解能を適応的に変化させる。 - heterogeneous embodimentsに対応するためのshared action interfaceを導入。 - 大規模multi-embodiment robot dataでpretrainし、VLA foundation modelとして構築。

- LIBERO-XとEBenchのシミュレーションベンチマークで評価。 - 実世界のlong-horizonタスクであるegg-cake cookingとpotato shreddingで評価。 - シミュレーションと物理マニピュレーションの両方で promising results を得た。 - プロジェクトページと追加結果: https://clementine24.github.io/Vela/

- 連続action representationが将来のembodied foundation modelsの基盤となり得る可能性を強調。 - 従来のfixed-rate action chunksの限界（容量浪費、暗黙的な連続性学習、トレードオフ）を指摘。 - 具体的な議論や限界については要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、vision-language-action models (VLA), action chunks, spline-based action representation, LIBERO-X, EBench が挙げられる。 - 同分野の定番として、RT-1, RT-2, Octo, OpenVLA などが考えられるが、要旨に記載はない。