ForeTime-VLA、コンベアベルト上の動的物体把持で成功率81.1%を達成

何が起きたか

研究チームは2026年8月21日、arXivでForeTime-VLAを発表した。これは、凍結されたFast-WAM由来の教師から未来認識・行動等価表現を蒸留する密なpi0.5ポリシーで、推論時は因果的であり続ける。実ロボット評価では、静止物体で81.1%、低速移動物体で58.9%の把持成功率を達成し、次点の参照手法をそれぞれ12.2ポイント、22.2ポイント上回った。3段階のベルト速度で合計44/90回の把持成功（pi0.5は23/90回）を記録し、高速時は11/30回（pi0.5は2/30回）だった。

詳細

ForeTime-VLAは、オフラインで現在と未来のビデオ潜在表現を白色化された64次元ターゲットに圧縮し、オンラインでは8フレームの履歴エンコーダがこのターゲットを操作フェーズと正規化された遷移時間とともに予測する。4つの未来トークンと1つのフェーズトークンがVLMプレフィックスを条件付け、予測された未来と遷移ホライズンがアクションエキスパートを条件付ける。トレーニングでは元のフローマッチングアクションターゲットを保持し、コサイン、関係幾何、フェーズ、遷移時間、行動等価の目的を追加する。重複除去されたコンベアベルトデータセットで、分割ごとに768のマッチングウィンドウで40kステップのチェックポイントを比較した。テストMAEは0.134119から0.130593へ2.63%減少（ペアブートストラップ95%信頼区間：0.82〜4.48%改善）、テストL2は3.02%減少し、遅延コストは2.46〜2.93%だった。

Key Facts

本紙の見方

今回のForeTime-VLAの核心は、世界行動モデル（WAM）を推論時に展開せずに、その未来予測能力を因果的な蒸留でVLAポリシーに移植した点にある。従来のVLAは現在の観測のみから行動を生成するため、移動物体の接触イベントを予測できず、動的マニピュレーションが苦手だった。一方、WAMは予測的ダイナミクスを学習するが、ビデオスケールの教師を展開したり、未来フレームを明示的に想像したりするのは推論コストが高い。ForeTime-VLAは、オフラインで未来のビデオ潜在表現を64次元の白色化ターゲットに圧縮し、オンラインでは8フレームの履歴からこのターゲットを予測することで、教師を展開せずに未来認識を実現している。このアプローチは、推論時の因果性を保ちながら、動的マニピュレーションの性能を大幅に向上させた。 本紙の過去報道との接続はないが、この研究はVLAのスケーリングにおける重要な論点を示している。VLAは一般に、現在の観測から行動を生成するが、動的環境では未来予測が不可欠である。ForeTime-VLAは、未来トークンをVLMプレフィックスに条件付け、予測された未来と遷移ホライズンをアクションエキスパートに条件付けることで、未来情報を行動生成に統合している。これは、VLAのアーキテクチャに未来予測を組み込む新しい方法であり、従来のフローマッチング目的を保持しながら、追加の目的（コサイン、関係幾何、フェーズ、遷移時間、行動等価）を導入している。 業界構造への含意として、この研究は動的マニピュレーションの性能を大幅に向上させる一方で、遅延コストを2.46〜2.93%に抑えた点が重要である。実ロボット評価では、静止物体で81.1%、低速移動物体で58.9%の把持成功率を達成し、高速時でも11/30回の成功を記録した。これは、コンベアベルト上の部品ピッキングなど、物流・製造現場での応用可能性を示唆する。特に、高速時の成功率がpi0.5の2/30回から11/30回へと5.5倍に向上したことは、実用上の大きな進歩と言える。 未確定の論点としては、この手法が他の動的タスク（例えば、移動する物体の追跡や回避）にどの程度一般化するかが挙げられる。また、64次元のターゲット圧縮が情報の損失をどの程度引き起こすか、より高次元の表現が必要なタスクでの性能は不明である。さらに、実ロボット評価の環境（ベルト速度の具体的な値、物体の種類など）が論文に明記されていないため、再現性の検証が今後の課題となる。

なぜ重要か

ForeTime-VLAは、世界行動モデルの推論コストをかけずに未来予測をVLAに組み込む方法を示し、動的マニピュレーションの実用性を大きく前進させた。特に高速移動物体の把持成功率を5.5倍に向上させたことは、物流・製造現場での応用可能性を広げる。