OrthoSkillVLA、VLAモデルの継続的スキル学習で破滅的忘却を抑制 新手法を発表

何が起きたか

研究チームは2026年8月20日、事前学習済みのVision-Language-Action（VLA）モデルを複数のスキルに順次適応させる際に生じる破滅的忘却を抑制する新フレームワーク「OrthoSkillVLA」を発表した。提案手法は、VLMとActionHeadに別々の部分空間制約を課し、出力層には軽量なMoEデコーダを導入する。シミュレーションと実機評価により、既存スキルの保持と新規スキルの獲得を両立できることを示した。

詳細

OrthoSkillVLAは、事前学習済みVLAモデルをデモンストレーションのリプレイなしで継続的にスキル学習するためのパラメータ効率的なフレームワークである。VLMは広範な意味表現を維持するため容量枯渇に脆弱であり、ActionHeadは局所的な速度パターンを洗練するため摂動に敏感であるという分析に基づき、VLMとActionHeadに別々の部分空間制約を課す。出力層の最終速度デコーダは読み出し層として機能し、凍結すると出力段の表現力ボトルネックを生じ、更新すると以前の速度マッピングを上書きするリスクがあるため、軽量な特徴認識型MoEデコーダを導入する。各スキルにはコンパクトなエキスパートが割り当てられ、トレーニング不要のルーターが特徴空間の親和性に基づいてエキスパートを選択する。

Key Facts

本紙の見方

本提案は、VLAモデルの継続的学習における破滅的忘却問題に対して、モデル内部の構成要素の役割の違いに着目した点が新しい。従来の部分空間制約手法はモデル全体に統一的な制約を課していたが、VLMとActionHeadで表現の性質が異なることを指摘し、それぞれに別々の制約を課すことで、意味表現の再利用可能性を保ちつつ、局所的な速度パターンを保護する。また、出力層の扱いも工夫されており、凍結による表現力のボトルネックと更新による忘却のジレンマを、MoEデコーダの導入で解決しようとしている。 このアプローチは、ロボット学習におけるスキル獲得の効率化に寄与する可能性がある。特に、デモンストレーションのリプレイを必要としない点は、実環境でのデータ収集コストを抑える上で重要だ。しかし、提案手法の有効性はシミュレーションと実機評価に基づくものであり、実際のロボットタスクでの汎用性や、より多様なスキルへの拡張性については、今後の検証が待たれる。 また、MoEデコーダのルーターがトレーニング不要である点は、推論時の計算コストを抑える利点があるが、特徴空間の親和性に基づく選択がどの程度正確にスキルを識別できるかは、評価結果の詳細を確認する必要がある。さらに、提案手法はパラメータ効率的であるとされるが、具体的なパラメータ数の削減効果や、既存手法との比較における計算量の差は、論文の詳細な数値が明らかでないため、今後の情報が待たれる。

なぜ重要か

VLAモデルの継続的学習は、ロボットが多様なタスクを順次習得する上で重要な課題であり、本手法はその実現に向けた一歩となる。特に、デモンストレーションのリプレイを必要としない点は、実環境での適用可能性を高める。