Δフローマッチング：ロボット基盤モデルのための効率的生成

- ロボット基盤モデル向けの生成手法 $Δ$-flow を提案する研究。 - VLA や WAM は固定 Gaussian prior から action chunk や将来視覚状態を生成するが、$Δ$-flow は直近履歴に軽い noise を加えたものを source とする。 - source を target に近づけ、輸送を小さな residual $Δ$ として効率的に学習し、single-step inference を可能にする。 - VLA の $π_{0.5}$、WAM の ImageWAM と Fast-WAM に統合。

- 従来の flow matching は固定 Gaussian prior から生成を開始し、past と future の時間的連続性を無視していた。 - そのため高コストな学習と反復 sampling が必要で、視覚 branch を持つ WAM では特に負担が大きかった。 - $Δ$-flow は履歴を source に使うことで輸送を小さな residual に縮小し、効率的学習と single-step inference を実現。 - 学習 epoch 数と推論速度の大幅な改善、LIBERO-Plus での SOTA 汎化を報告。

- 直近の history から mild noise を加えた source を構成し、固定 Gaussian prior を置き換える。 - target までの輸送を小さな residual $Δ$ として学習する flow matching を定式化。 - これにより single-step inference が可能となり、action smoothness も維持。 - action-history source は再学習なしで pretrained WAM policy に適用可能。 - action 表現や視覚情報が history-to-future prediction に与える影響も検討。

- LIBERO で ImageWAM が 6 epoch ではなく 1 epoch で 90% 成功、Fast-WAM が 8 epoch ではなく 2 epoch で 95% 成功。 - LoRA fine-tuning で $π_{0.5}$ が baseline の 5 epoch 性能を 1 epoch で超過。 - single-step inference で $π_{0.5}$、ImageWAM、Fast-WAM にそれぞれ 1.54×、2.49×、4.45× の speedup。 - one-step Gaussian sampling 比で action jerk が 4.5× 減少し、action smoothness を保持。 - LIBERO-Plus で SOTA 汎化性能を達成。

- action-history source は再学習なしで pretrained WAM policy に適用できる。 - 推論時に Gaussian action source を置き換えても task success はほぼ維持され、single sampling step でわずかに改善する場合がある。 - action 表現と視覚情報が $Δ$-flow の history-to-future prediction に与える影響を検討。 - 要旨からは、失敗事例や限界、計算コストの詳細な議論は不明。

- 要旨で参照・比較されている研究: flow matching、VLA の $π_{0.5}$、WAM の ImageWAM と Fast-WAM、LIBERO、LIBERO-Plus、LoRA。 - 関連手法として Gaussian prior を用いる従来の flow matching ベース生成モデル。 - 同分野の定番として vision-language-action models (VLAs) と world-action models (WAMs)。