何が起きたか
2026年11月14日掲載の論文は、複数段階のロボット操作で汎用VLAと工程別の強化学習ポリシーを動的に切り替える「MARS」を提案した。4つのLIBEROタスク群の固定軌道評価で、スキルを選ぶルーターのMacro-F1スコアは平均90.47%となり、MLPベースのルーターを7.08ポイント上回った。シミュレーションのTube Transportでは、タスク全体の成功率が20.04%から85.67%に上昇した。
詳細
MARSは、固定した汎用VLAポリシーと、独立に学習させた複数の原子的スキルポリシーを組み合わせる。各スキルポリシーは、共有のRL Token状態表現とVLAの参照アクションを使い、把持・位置合わせ・挿入などの重要な操作段階に向けて強化学習で最適化する。 スキル選択用の動的ルーターは、Mambaベースの再帰エンコーディングと履歴特徴ウィンドウで状態の変化を捉える。候補スキルの説明を意味クエリとして符号化し、注意機構で時間的な状態特徴と対応づける。
Key Facts
| MARSは、固定した汎用VLAポリシーと複数の独立学習済み原子的スキルポリシーを組み合わせる方式として提案された。 | [1] |
| ルーターはMambaベースの再帰エンコーディング、履歴特徴ウィンドウ、スキル説明の意味クエリ、注意機構を用いる。 | [1] |
| 4つのLIBEROタスク群の固定軌道評価で、平均Macro-F1スコアは90.47%となり、MLPベースのルーターを7.08ポイント上回った。 | [1] |
| シミュレーションのTube Transportタスクで、全タスクの成功率は20.04%から85.67%に上昇した。 | [1] |
本紙の見方
この研究の焦点は、汎用VLAを置き換えることではなく、汎用ポリシーが苦手とする操作段階を専門スキルで補い、その切り替え自体を状態の時間変化に応じて行う点にある。把持・位置合わせ・挿入のような局面ごとに強化学習ポリシーを用意し、汎用VLAの参照アクションと共有状態表現を使って最適化する構成である。MARSの新規性は、専門ポリシーの追加だけでなく、候補スキルの意味と操作履歴を結びつけて選択するルーターに置かれている。 評価結果は異なる二つの問いを扱う。LIBEROの固定軌道評価におけるMacro-F1平均90.47%(MLPベースを7.08ポイント上回る)は、ルーターによるスキル選択の指標である。一方、Tube Transportの成功率20.04%から85.67%への変化は、シミュレーション上で一連のタスクを完遂できた割合を示す。両者は同じ性能指標ではなく、前者だけで実環境の操作成功を評価したり、後者だけでルーターの選択精度を説明したりすることはできない。この区別は、汎用モデルと工程別制御を組み合わせる方式の評価方法を読むうえで重要だ。 構成上は、汎用VLAの参照アクションを共通の基点にしつつ、独立学習したスキルを動的に呼び分けるため、すべての操作を一つのポリシーに担わせる設計とは異なる。履歴特徴とスキルの意味を注意機構で対応づけることで、単一時点の状態だけでなく、操作の進み方を選択に反映させる狙いとみられる。ただし、要旨が示す評価はLIBEROの固定軌道とシミュレーションのTube Transportであり、実機での再現性、異なる物体や環境への一般化、スキル間の切り替えが失敗した場合の挙動は確認できない。次に見るべき点は、実機での成功率と評価条件、各スキルの学習データや再学習の負担、複雑な工程での選択ミスと復帰方法である。
なぜ重要か
MARSは、汎用VLAの能力を維持しながら、把持・位置合わせ・挿入などの局面を専用ポリシーに担わせる構成を提示した。論文の評価ではLIBEROの固定軌道でルーターのMacro-F1を測り、別途シミュレーションのTube Transportでタスク成功率を示しており、スキル選択と一連の操作完遂を分けて検証する必要性が具体化している。
