CompVLA、接触を伴う操作向けのVLAモデルを提案　剛性行列も同時予測

何が起きたか

arXivに2026-09-20付で掲載された論文「CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation」は、接触を伴う操作向けに、動作だけでなく剛性行列も同時に予測するCompVLAを提案した。論文は、RGB画像と言語入力を用い、時間変化する剛性と仮想変位を出力する構成としている。著者らは、接触を伴う多様なタスクで平均成功率が最も高く、通常のVLAと剛性対応VLAの双方を上回ったとしている。

詳細

CompVLAは、従来のVLAが主に運動学的コマンドのみを出力していた点を補うため、Compliance Expertを追加した統一フレームワークである。Compliance Expertは、geometric impedance controlで実行される時間変化する剛性と仮想変位プロファイルを出力する。 論文は、ablation studyにより各構成要素が重要であることを確認したとしている。評価の対象は、接触を伴う操作タスクである。

Key Facts

本紙の見方

この論文の新規性は、VLAの出力を「動作」だけにとどめず、「剛性行列」まで同時に扱う点にある。接触を伴う操作では、到達位置の精度だけでなく、外力にどの程度従うかというコンプライアンスが性能を左右するため、モデル設計の焦点が運動学から制御量へ一段広がっている。ただし、これはロボットの接触制御に対する既定路線の延長でもあり、完全に新しい問題設定というより、既存VLAの出力表現を制御寄りに拡張した位置づけとみられる。 本紙の観点では、重要なのはCompliance Expertが単独の補助モジュールではなく、RGBと言語から得た情報を時間変化する剛性と仮想変位に落とし込む構造になっている点である。これにより、認識→行動の一本線だったVLAに、接触時の力学応答を挟み込む設計になっている。過去記事がないため本紙の関連記事との連続性は置けないが、論文内で明示された「purely kinematic commands」への批判は、VLAの評価軸が見た目の動作生成から実環境での接触安定性へ移っていることを示す。 業界構造への含意としては、接触豊富な作業で必要になるのが、モデルの言語理解だけでなく、制御パラメータを出し分ける学習データと評価基準である点が浮かぶ。平均成功率が最良だったとしても、その差がどのタスクで効いたのか、剛性推定の誤差がどの程度まで許容されるのかは、実運用では別問題になる。したがって次に確認すべきなのは、対象タスクの内訳、剛性行列の予測精度、実機での再現性、そしてgeometric impedance controlに依存する範囲である。

なぜ重要か

接触を伴う操作では、動作生成だけでなく剛性の調整が必要になるため、この論文はVLAを実環境の力学に近づける設計として読める。著者らが示したのは、RGBと言語入力から剛性行列まで同時に推定する枠組みが、従来型のVLAより高い成功率につながる可能性である。

日本への影響

日本のロボット研究や製造業にとっては、把持・挿入・擦り合わせなど接触を伴う工程で、認識モデルだけでなく剛性制御を学習に組み込む必要性が示唆される。特に、geometric impedance controlのような制御実装と、接触タスクの実機データをどう用意するかが焦点になるとみられる。