何が起きたか
arXivは2026-11-18、長時間の視覚・言語・行動(VLA)操作向け手法「GTI(Grounding Task Intent)」を提案する論文を掲載した。論文によると、実機PiPERの3タスク実験で、平均全タスク成功率は比較対象の21.7%から59.2%に上昇した。
詳細
GTIは現在の観測と実行履歴から、実行中のサブタスクとその段階を特定する。同じサブタスクに対し、接触・操作に入る状態と、その段階での局所的な完了状態という2種類の視覚目標を生成し、局所指示と組み合わせてVLAに与える。逸脱が続いた場合は、ロールバック、再観察、段階の再評価によって実行状況を立て直す。 RoboCasa365の既知の複合タスクでは、GR00Tの成功率がGlobal-FT比較条件の14.6%/12.1%から、ID/OOD評価で31.8%/20.4%に上昇した。VLA-Arenaでは、GTIを組み込んだπ_{0.5}の全体成功率は47.6%で、適応済みForeActの45.2%を上回り、難度の高いL1/L2タスクではそれぞれ5.2/6.0ポイントの向上を記録した。
Key Facts
| GTIは、現在の観測と実行履歴を用いて、実行中のサブタスクと実行段階を特定する。 | [1] |
| 実機PiPERの3タスク実験で、平均全タスク成功率は21.7%から59.2%に上昇した。 | [1] |
| RoboCasa365の既知の複合タスクで、GR00Tの成功率はGlobal-FT比較条件の14.6%/12.1%から、ID/OOD評価で31.8%/20.4%となった。 | [1] |
| VLA-ArenaではGTI+π_{0.5}が全体成功率47.6%を記録し、適応済みForeActの45.2%を上回った。 | [1] |
本紙の見方
GTIの新しさは、長い指示を一括して行動列に変えるのではなく、実行中のサブタスクと段階に合わせて「いま接触すべき状態」と「その段階で到達すべき状態」を視覚目標として分けた点にある。さらに、実行履歴から意図と現在の状況のずれを捉え、逸脱が続けばロールバックして再観察する。計画の表現だけでなく、実行中の誤りから局所的に復帰する仕組みまでを一つの方法として扱っている。 結果は単一条件の比較ではない。RoboCasa365ではGR00TとGlobal-FT、VLA-ArenaではGTI+π_{0.5}と適応済みForeActを比べ、実機評価はPiPERの3タスクを対象とする。したがって、複数の環境で改善が示されたことは読み取れる一方、数値を横断して手法全体の優劣を単純比較することはできない。とくに実機の59.2%は3タスクの平均であり、広範な作業への適用性を直接示す値ではない。 構造面では、サブタスクの言語指示だけでなく、その段階に固有の視覚目標をVLAの条件に加えるため、長い作業を「何をするか」と「どの状態まで進めるか」に分けて制御する設計とみられる。成功率の改善が示された一方、接触状態と完了状態の目標をどう生成するか、また異常検知から再試行へ移る判断がどの程度の追加処理を要するかは、実装や運用を評価する上で焦点となる。要約文には、実機試行の件数やばらつき、復旧処理を含む所要時間、異常検知の条件は示されていない。次に確認すべきなのは、タスク数を増やした場合の成功率と、復旧を含めた実行の安定性である。
なぜ重要か
長時間の操作では、同じサブタスクでも接触段階と完了段階で目指す状態が異なる。GTIはこの違いを視覚目標としてVLAに与え、逸脱が続いた際の再観察と段階再評価も組み込んでおり、論文では実機3タスクの平均全タスク成功率の改善が報告された。
