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
| ECoTは、VLAを訓練して、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にする。 | [1] |
| ECoT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。 | [1] |
| 標準的なVLAに対する単純な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。 | [1] |
| 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た。 | [1] |
| 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。 | [1] |
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。