何が起きたか
2026年6月11日、arXivにてPhysVLAと題する論文が公開された。PhysVLAは、既存のVision-Language-Action (VLA)モデルに物理的制約を追加する推論時フレームワークであり、再学習や重みへのアクセスなしで任意のVLAバックボーンに適用できる。評価では、成功率の絶対値で最大17%の向上、安定性で最大19%の向上を報告している。
詳細
PhysVLAは、位相認識有限状態機械と選択的オイラー＝ラグランジュゲートの二層構造で構成される。前者はタスクをアプローチ、把持、搬送、配置の離散セグメントに構造化し、後者は動的整合性の異常が検出された場合のみ作動する。オーバーヘッドは制御ステップあたり1ミリ秒未満。評価はOpenVLA、OpenVLA-OFT、Force-VLA、Generalist-VLAの4つのバックボーンに対し、LIBERO-Spatialベンチマークと7自由度のFranka Pandaアームで実施された。さらに、実機のAgilex Piperアームでのピックアンドプレースタスクでも検証し、成功率の向上を確認した。
Key Facts
| PhysVLAは推論時フレームワークであり、再学習、ファインチューニング、重みへのアクセスを必要としない。 | [1] |
| PhysVLAは制御ステップあたり1ミリ秒未満のオーバーヘッドで動作する。 | [1] |
| LIBERO-Spatialベンチマークで、成功率の絶対値で最大17%の向上、安定性で最大19%の向上を達成した。 | [1] |
| 実機のAgilex Piperアームでのピックアンドプレースタスクで、成功率の向上は最大50%に達した。 | [1] |
| PhysVLAはOpenVLA、OpenVLA-OFT、Force-VLA、Generalist-VLAの4つのバックボーンで評価された。 | [1] |
なぜ重要か
PhysVLAは、VLAモデルの物理的整合性を向上させるための実用的な手法を提供する。再学習不要で既存モデルに適用できるため、ロボット操作の精度向上を目指す研究者や開発者にとって、即座に試せる選択肢となる。また、物理的認識をモジュール化する考え方は、今後のVLAモデル開発の方向性に影響を与える可能性がある。