何が起きたか
arXivは2026年11月15日、視覚言語行動(VLA)モデルのテスト時スケーリングに潜在計画を組み込む手法「PlanDiv」の論文を掲載した。PlanDivは、単一のデコーダーから行動候補を再サンプリングするのではなく、計画の異なる候補を作る。CALVIN ABC→Dの5タスク連鎖成功率は、8候補で56.9%から69.9%に上がり、比較対象の候補生成法は最大64.9%だった。
詳細
PlanDivでは、軽量プランナーがK個の潜在計画仮説を提案し、共有のマスク付き拡散実行器が単一のバックボーン計算パスから各計画に対応する行動チャンクを生成する。方策自身の尤度で最も高く評価したチャンクを実行する。計画はデモンストレーションのみから学習し、計画ラベルや報酬は用いない。論文はバックボーン、データ、学習レシピを固定して比較したとしている。 CALVINでは、候補を4個から8個に増やしても、3種類の再サンプリング法で完了タスク数の平均増加は0.06〜0.07にとどまった。LIBERO-Longでは4計画が単一候補での失敗の40%を取り除き、対応する再サンプリング法は最大21%だった。実機のFrankaアームでは、解法が1つの課題で単一出力のOpenVLA-OFT+ベースラインと同等で、解法が2つある2課題では54試行中51回成功し、ベースラインは54試行中40回だった。
Key Facts
| PlanDivは軽量プランナーでK個の潜在計画仮説を作り、計画ごとの行動チャンクから尤度で実行候補を選ぶ。 | [1] |
| 計画はデモンストレーションのみから学習し、計画ラベルや報酬を用いない。 | [1] |
| CALVIN ABC→Dの5タスク連鎖成功率は、8計画候補で56.9%から69.9%に上昇した。比較対象は最大64.9%だった。 | [1] |
| LIBERO-Longでは4計画が単一候補での失敗の40%を取り除き、対応する再サンプリング法は最大21%だった。 | [1] |
| 実機のFrankaアームでは、解法が2つある2課題でPlanDivが54試行中51回成功し、単一出力のOpenVLA-OFT+ベースラインは54試行中40回だった。 | [1] |
本紙の見方
テスト時に候補を複数生成して選ぶ考え方自体はPlanDivの新規点ではない。論文が示す差は、候補数の増加を、同じデコーダーからの再抽選ではなく、異なる潜在計画の生成に結びつけたことにある。CALVINでは、同じ計画を固定したPlanDivのチェックポイントから候補を増やす比較も行われ、8候補で最大64.9%だったのに対し、計画を分けた条件は69.9%だった。論文の比較設定に沿えば、改善を単なるサンプル数の増加で説明せず、候補間の計画の違いに結びつけている。 構造上の含意は、VLAの推論時評価で「何個候補を出すか」に加えて「候補がどの程度異なる計画を表すか」が設計要素になる点だ。PlanDivは計画ラベルや報酬を追加せず、デモンストレーションから計画を学習するとしている。このため、既存の模倣学習データを用いる設定で、明示的な計画教師なしに候補の多様性を持たせる方式として位置づけられる。ただし、論文の説明は方式と実験結果を示すものであり、あらゆる学習データやロボットに同じ改善が生じることを示すものではない。 評価結果は、課題が複数の解法を許すかどうかで分けて読む必要がある。Frankaアームでは、解法が1つの課題で単一出力のOpenVLA-OFT+と同等だった一方、解法が2つある課題ではPlanDivの成功数が上回った。したがって、複数計画の候補化が特に有効な課題条件を、事前にどう判定するかが実装上の論点となる。また、CALVINやLIBERO-Longの数値を実環境での稼働率や安全性にそのまま置き換えることはできない。 次に確認すべきなのは、タスクや環境を広げた場合にも候補間の計画差が保たれるか、候補数や推論時間を増やしたときの計算負荷、失敗時の挙動と安全性である。論文の要約にある実機結果はFrankaアームの限られた課題・試行数に基づくため、より多様な課題での再現性や、実運用で必要となる遅延・信頼性との両立は別途検証が必要となる。
なぜ重要か
論文の比較では、候補を増やすだけの再サンプリングより、異なる潜在計画を候補にする方式の方がCALVINとLIBERO-Longで高い成績を示した。VLAの行動選択を設計・評価する際、候補数に加えて候補間の計画の違いを測る必要性を示す結果だ。
