ForgeVLA、言語アノテーション不要の連合型VLA学習フレームワークを提案

何が起きたか

2026年5月8日にarXivで公開された論文「ForgeVLA: Federated Vision-Language-Action Learning without Language Annotations」において、ForgeVLAという連合型VLA学習フレームワークが提案された。このフレームワークは、分散した視覚-行動ペアのみからVLAモデルを学習し、中央集約や手動アノテーションを不要とする。実験では複数ベンチマークで他のベースラインを大幅に上回る性能を示したと報告されている。

詳細

ForgeVLAは、各クライアントに組み込まれたembodied instruction classifierを用いて、視覚-行動ペアを定義済みの指示セットにマッピングし、欠落した言語モダリティを復元して完全な視覚-言語-行動トリプレットを形成する。さらに、従来の連合VLA研究で見落とされてきた視覚-言語特徴の崩壊（feature collapse）に対処するため、クライアント側の対照的計画損失（contrastive planning loss）とサーバー側の適応的集約戦略を組み合わせ、タスク識別的な表現を効率的に学習する。

Key Facts

本紙の見方

今回の提案は、VLAモデルのスケーリングにおけるデータ取得コストという根本的なボトルネックに対し、連合学習と自己教師あり的手法を組み合わせることで対処する点で新規性がある。従来のVLA学習は、大規模な言語アノテーション付きデータを中央集約して学習するのが一般的であり、データのプライバシーや所有権の問題から分散データを活用することが難しかった。ForgeVLAは、各クライアントで視覚-行動ペアから言語指示を自動生成することで、アノテーションコストを削減しつつ、データを中央集約せずに学習を可能にする。これは、ロボットが実環境で収集する大量の視覚-行動データを活用する上で実用的なアプローチと言える。 本論文は、連合学習における特徴崩壊（feature collapse）という、これまで見落とされがちだった問題に着目し、対照学習と適応的集約を組み合わせることで解決を試みている点も重要である。連合学習では、クライアント間のデータ分布の不均一性により、学習された表現がタスク識別性を失うことがあるが、ForgeVLAはこの問題を明示的に扱い、性能向上に寄与している。 業界構造への含意としては、ロボットメーカーやAI企業が、自社のロボットから得られるデータを外部に出すことなく、協調的にVLAモデルを改善できる可能性が示唆される。これは、データ共有の制約がある産業分野（製造、物流、医療など）での応用が期待される。一方で、各クライアントに指示分類器を設置する必要があるため、クライアント側の計算リソースやモデルの複雑さが増すという課題も考えられる。 未確定の論点としては、実際のロボットシステムでのスケーラビリティや、指示分類器の精度が全体の性能に与える影響、また、プライバシー保護の程度（連合学習でも情報漏洩のリスクは残る）などが挙げられる。今後の研究では、より大規模な実環境データでの検証や、異なるロボットプラットフォームへの適用可能性が焦点になるだろう。

なぜ重要か

ForgeVLAは、VLAモデルの学習データ不足という業界全体の課題に対し、分散データを活用する新たな道を開くものであり、データ所有権やプライバシーを重視する企業にとって実用的な選択肢となる可能性がある。また、連合学習における特徴崩壊への対処は、他の連合学習応用にも波及する技術的知見を提供する。