何が起きたか
研究者らは、視覚・言語・行動を統合するVLAモデルの時間処理をモダリティごとに分離するDAM-VLAを提案した。7つの接触を伴う実世界操作タスクで、同期ベースラインの成功率40.95%に対し95.2%を達成し、100Hzの制御を維持したと報告している。
詳細
DAM-VLAは、各モダリティの潜在バッファをセンサーレートで更新し、アクションヘッドが連続的に読み取る。新しい高周波モダリティは、事前学習済みバックボーンを維持したまま、ゲート付きクロスアテンションで統合される。実験では、7つの接触を伴う実世界操作タスクで、最強の同期ベースラインと比較して平均成功率が2倍以上（95.2%対40.95%）となった。
Key Facts
| DAM-VLAは、モダリティごとに時間処理を分離する非同期VLAモデルである。 | [1] |
| 7つの接触を伴う実世界操作タスクで、成功率95.2%を達成し、同期ベースラインの40.95%を上回った。 | [1] |
| 100Hzの滑らかで反応的な制御を維持する。 | [1] |
| ゲート付きクロスアテンションにより、事前学習済みバックボーンを維持したまま新しい高周波モダリティを統合する。 | [1] |
なぜ重要か
DAM-VLAは、VLAモデルの時間処理設計が実世界操作の成功率に直結することを示した。同期処理の限界を克服することで、接触を伴う複雑なタスクでのロボット制御性能が大幅に向上する可能性がある。これは、産業用ロボットやサービスロボットの実用化に向けた重要な一歩となる。