PerturBot、VLAモデルの「モダリティ・ショートカット」抑制手法を提案

何が起きたか

arxiv.orgに2026-10-03掲載の論文「PerturBot: Breaking Shortcut Priors in Vision-Language-Action Models with Perturbative Training」は、視覚・言語・行動を扱うVLAポリシーが、タスクに必要な証拠ではなく訓練で得た手掛かりに依存してしまう問題を指摘した。論文は、その依存を弱める訓練法としてPerturBotを提案している。PerturBotは、タスクを保ったまま腕部カメラ視点を摂動し、指示に決定関連のキャプションを加え、ランダム軌跡や失敗軌跡の断片を含むデータをそれに対応する行動で再ラベル付けする構成である。

詳細

論文によると、PerturBotは推論時の挙動を変えるのではなく、訓練段階で「何を学習対象として拡張するか」を変える設計である。著者らは、成功率の向上だけではショートカット依存が残る可能性があるとして、タスク成功率とは別に、方策がタスク証拠にどれだけ基づいているかをみるオフライン指標GroundingFscoreを提案した。 論文中では、近接した腕部カメラ内の物体が指示対象をずらしたり、名詞や閉じたグリッパーのような訓練上の結び付きが誤作動を生む例を挙げ、これを「modality shortcuts」と呼んでいる。PerturBotは、こうした視覚・言語・運動の手掛かりが単独では不十分になるように、証拠を使いやすくする方向で学習を組み替える点に特徴がある。

Key Facts

本紙の見方

この論文の新規性は、VLAモデルの性能向上そのものではなく、性能を支えるはずの入力証拠と、訓練でできた近道の分離に置かれている点にある。成功率を上げる手法は多いが、著者らは「成功したから健全」とは言えないとし、腕部カメラの視点摂動、指示文の決定関連情報の付与、失敗・ランダム軌跡の再ラベルという三つの訓練介入で、モデルが視覚・言語・運動のどの手掛かりに乗っているかを崩そうとしている。推論時のアーキテクチャを変えずに訓練データの見せ方を変えるため、既存のVLAに後付けしやすい構造でもある。 本紙の見方では、これは「大規模化すれば解決する」という素朴な延長線上ではなく、スケーリングの中身を変える提案である。論文は More demonstrations of the same kind can raise task success while leaving these shortcuts intact と述べ、単純なデータ増量では偏りが残る可能性を示している。つまり、量を増やすだけではなく、タスクに必要な証拠を学習上で明示し、証拠抜きの近道を通りにくくする必要があるという問題設定である。これが、VLAの評価を成功率中心から、GroundingFscoreのような「何に依拠しているか」を測る軸へ広げる意図につながる。 業界構造への含意としては、ロボットの実運用で重要になるのが、見た目でそれらしく動くことではなく、対象物・指示文・行動の対応関係をどこまで保てるかだという点が再確認される。近接した腕部カメラや、訓練で繰り返し出る名詞と動作の対応は、実機導入時に誤作動の温床になり得る。PerturBotはその結び付き自体を訓練時に崩すので、データ収集や模倣学習の設計に影響する可能性がある。一方で、論文が示すのは手法と指標であり、どの程度の改善がどのベンチマークで得られるか、また失敗軌跡の再ラベルをどこまで一般化できるかは本文からはまだ読み切れない。 次に確認すべき論点は、GroundingFscoreがどのタスクや環境で安定して機能するか、PerturBotが実データ収集のコストをどれだけ増やすか、そして成功率と grounding 指標の両立がどこで崩れるかである。とくに、視覚・言語・運動のどのモダリティに依存したショートカットが最も強く残るのかが、今後の比較で焦点になる。

なぜ重要か

論文が問題にしているのは、VLAモデルがタスク証拠ではなく訓練上の近道で動く場合、現場での判断の再現性が落ちることである。著者らは、成功率だけではその偏りを見落とす可能性があるとしてGroundingFscoreを提案しており、評価の軸を補う必要があると示している。

日本への影響

日本でVLAやロボット学習を扱う研究開発では、腕部カメラの視点設計や模倣データの作り方が評価に直結しやすい。PerturBotが示すように、成功率だけでなく、指示文・視覚証拠・行動の対応を点検する評価設計が必要になる可能性がある。