Alibaba DAMO Academy、カメラ校正不要の視覚言語行動モデル「CamVLA」を発表

何が起きたか

Alibaba DAMO Academyの研究チームは、カメラ校正を不要とする視覚言語行動モデル「CamVLA」を発表した。論文は2026年7月6日にarXivで公開され、カメラの外部パラメータを明示的に与えずとも、単眼RGB画像とタスク指示からロボットの操作を実現する。

詳細

CamVLAは、カメラ中心のエンドエフェクタ動作（カメラフレーム内での動作）と、カメラとロボットベース間の6自由度ハンドアイ行列を予測し、決定的な幾何学的変換によりロボットベースフレームの動作に合成する。これにより、キャリブレーション不要、深度不要、単眼視点で、展開時には単眼RGB画像とタスク指示のみを入力とする。評価はシミュレーションと実ロボットデータで行われ、多様な未見視点での成功率向上が確認された。

Key Facts

本紙の見方

今回の発表は、視覚言語行動モデル（VLA）におけるカメラ視点の頑健性を、外部パラメータの明示的な提供なしに実現しようとする点で新規性がある。従来の視点頑健なVLAはカメラ外部パラメータを入力として必要としており、実環境でのカメラ再配置や再取り付けに弱かった。CamVLAは、カメラ中心の動作生成とハンドアイ行列の予測を分離し、幾何学的変換で統合することで、キャリブレーションを不要にした。これは、実ロボット展開におけるカメラ設定の柔軟性を高める可能性がある。 本紙の過去報道との接続はないが、業界構造への含意として、VLAモデルの実用化においてカメラ校正の手間が障壁となっていた点を解消する可能性がある。特に、単眼RGBのみで動作するため、センサーコストやセットアップの複雑さを低減できる。一方で、未確定の論点として、実環境での多様な視点変化に対する頑健性の限界や、ハンドアイ行列の予測精度が動作成功率に与える影響が挙げられる。また、論文ではシミュレーションと実ロボットデータでの評価とあるが、具体的な成功率の数値や比較対象は明記されておらず、今後の詳細な検証が待たれる。

なぜ重要か

CamVLAは、カメラ校正を不要にすることで、VLAモデルの実ロボット展開におけるセットアップの負担を軽減する可能性がある。これにより、ロボット導入の障壁が下がり、より柔軟なカメラ配置が可能になることが期待される。ただし、実環境での性能や限界については、今後の検証が必要である。