CoLA: 学習済みアダプタによる複数VLAの協調

本論文は CoLA (Coordination via Learned Adapters) を提案する。複数の Vision-Language-Action (VLA) エージェントが同一作業空間を共有する際の協調を扱う。各エージェントの VLA backbone は凍結し、軽量な message channel と per-arm diffusion action head のみを学習、完全に decentralised な実行を行う。明示的通信がいつ必要かを、各エージェントの観測可能性が異なる 3 タスクで検証する。

従来 VLA は単一エージェントの isolated policy として展開されることが多い。CoLA は backbone を凍結したまま軽量 adapter のみ学習する点、および明示的通信の必要性が『情報が private なときのみ』生じることを実験的に示した点が新しい。occluded tray handover では messages を zero にすると 1.3% に対し 76.0% 成功。shared overhead camera 下では通信除去の影響がほぼ無い (90.6% vs 88.3%、63.5% vs 60.0%) ことも示す。

各エージェントの VLA backbone を凍結し、軽量な message channel と per-arm diffusion action head をその上に学習する。実行は完全に decentralised。通信の有無を切り替えて、観測の共有/私秘性が性能に与える影響を比較する設計。異なる VLA backbone にも一般化する。

観測可能性の異なる 3 タスクで検証。occluded tray handover (box の colour marker が片方の agent にのみ見える) で 76.0% vs messages zero で 1.3%。two-arm/three-arm handover では shared overhead camera 下で通信除去の影響は測定不能 (90.6% vs 88.3%、63.5% vs 60.0%) だが、two-arm の wrist-only variant では 74.8% vs 64.3% に低下。凍結 π_{0.5} backbone の occluded tray タスクで LoRA-fine-tuned baseline と同等の成功率 (37.3% vs 34.7%) をはるかに少ない学習パラメータで達成。box 配置時、CoLA は 71.8% で正しい tray を選択、独立 fine-tune baseline は chance level (34.7% vs 33.3%)。

明示的通信は情報が private な場合にのみ重要で、共有観測がある場合は冗長になりうる。backbone を凍結しても軽量 adapter で協調が学習可能。ただし、どの条件で通信が必須か、他のタスクや実環境での一般性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として、LoRA-fine-tuned baseline、π_{0.5} backbone が挙げられる。関連手法として Vision-Language-Action (VLA) モデル、diffusion action head、decentralised multi-agent coordination の定番研究を次に読むべき。