OpenVLA、推論能力を組み込んだECoTで成功率28%向上

何が起きたか

2024年7月11日、arxiv.orgに投稿された論文「Robotic Control via Embodied Chain-of-Thought Reasoning」において、VLAのための新しい推論手法ECoTが発表された。ECoTは、ロボットの行動予測前に、プラン、サブタスク、動作、物体のバウンディングボックスやエンドエフェクタ位置などの視覚的特徴について複数ステップの推論を行うようVLAを訓練する。評価では、OpenVLAの成功率を、追加のロボット訓練データなしで、挑戦的な汎化タスクにおいて絶対値で28%向上させた。

詳細

論文は、学習済みロボット制御ポリシーの訓練データ外への汎化の限界を指摘し、大規模なインターネット事前学習済み視覚言語モデルをバックボーンに用いるVLAがロバスト性と汎化を改善することを述べている。しかし、標準的なVLAに対する単純なチェーン・オブ・ソート(CoT)プロンプティングは、利用可能な訓練例が比較的単純なため効果が低いとされる。また、通常のCoTで一般的なサブタスクの純粋に意味的な推論は、感覚観測とロボット状態に推論を接地させる必要があるロボットポリシーには不十分である。ECoTは、大規模ロボットデータセット上で合成訓練データを生成するスケーラブルなパイプラインを設計し、VLAを訓練する。さらに、ECoTは人間がポリシーの失敗を解釈し、自然言語で行動を修正することを容易にするとしている。

Key Facts

本紙の見方

今回のECoTの提案は、VLAの性能向上における新たな方向性を示すものだ。従来のVLAは、大規模な事前学習済みモデルを活用することで汎化性能を高めてきたが、その推論能力は十分に活用されていなかった。ECoTは、行動予測の前に推論ステップを明示的に組み込むことで、ロボットの制御における複雑な問題解決を可能にしようとする試みである。 本紙の過去報道との接続はないが、ロボット学習分野におけるVLAの進展は、基盤モデルのロボティクス応用という流れの延長線上にある。ECoTは、その中でも特に「推論」に焦点を当てた点で新規性がある。 業界構造への含意としては、ロボットポリシーの汎化性能が向上することで、実環境での適用範囲が広がる可能性がある。特に、追加のロボットデータを必要としない点は、データ収集のコスト削減につながる。また、失敗の解釈が容易になることで、デバッグやユーザーによる修正がしやすくなり、実用性が高まる。 未確定の論点としては、ECoTが他のVLAモデルや実ロボット環境でどの程度効果を発揮するかが挙げられる。論文ではOpenVLAでの評価のみが示されており、他のモデルや物理ロボットでの検証が待たれる。また、合成データ生成のパイプラインの詳細や、推論ステップの計算コストも今後の確認事項である。

なぜ重要か

ECoTは、ロボット制御における推論の活用という新たなアプローチを示し、VLAの汎化性能を大幅に向上させる可能性がある。追加データなしで成功率を28%向上させたことは、ロボット学習の効率化に寄与する。また、失敗の解釈が容易になることで、人間とロボットの協調作業の実現にもつながる。