何が起きたか

arXiv掲載論文「RageVLA: Augmentation-Trained Perception and Action for State-of-the-Art Robustness on LIBERO」は、0.21 billion parametersのRageVLAがLIBERO-PROで0.72を記録したと報告した。論文によると、既報の最良モデルは同ベンチマークで0.53で、大型版は0.73だった。

詳細

学習データではLIBEROの実演を一般ルールに沿って再構成し、物体・什器の位置と向きの変更、別環境・別面へのタスク移動、指示文の言い換えを行う。政策側では、拡張データで学習した認識エンジンが、凍結したDINOv3の特徴を使い、物体の位置一覧とグリッパーが見ている対象のコードを出力する。画像・指示文の埋め込みにはTinyCLIPを用い、行動生成には一から学習したflow-matching diffusion transformerを使う。 LIBERO-Objectでは、画像を正しいまま入力する物体位置情報だけを入れ替えると、成功率は0.965から0.215に低下した。目標物を28 cm移動させた試験では成功率0.865で、同じ評価環境を用いたπ0.5は0.105だった。

Key Facts

論文はRageVLAのパラメーター数を0.21 billionとし、LIBERO-PROで0.72を報告した。[1]
論文が比較対象とした既報の最良モデルのLIBERO-PROスコアは0.53で、大型版RageVLAは0.73だった。[1]
学習データでは物体・什器の位置と向き、環境、作業面、指示文を組み替えた。[1]
位置情報を入れ替えたLIBERO-Object試験では成功率が0.965から0.215に低下した。[1]
目標物を28 cm移動させた試験でRageVLAは0.865、同じ評価環境のπ0.5は0.105の成功率だった。[1]

本紙の見方

LIBERO-PROの0.72というスコアは、既報の最良モデルとして論文が挙げる0.53を上回る。一方、大型版の0.73との差は0.01であり、少なくともこの比較では、モデル規模を大きくすることだけが性能差を説明するとは限らない。著者らは、規模よりも認識と行動の結び付き方を問題として提示している。これは論文の主張であり、規模拡大の効果を一般に否定する結果ではない。 手法の構造上の特徴は、データの変換と政策への情報入力を一組で設計した点にある。物体や什器の配置、環境、指示文を組み替えた実演で学習し、行動モデルには画像だけでなく、物体位置の一覧とグリッパーが見ている対象のコードも渡す。つまり、学習時の場面と文言に行動が過度に依存することを避ける狙いを、入力データの多様化と認識情報の明示化の両側から実装している。どちらの要素がスコアにどれだけ寄与したかは、提示された要旨の結果だけでは切り分けられない。 LIBERO-Objectの二つの試験は、スコアの解釈を補う。画像は正しいまま位置情報だけを壊すと成功率が0.965から0.215へ落ち、目標物を28 cm動かしても0.865だった。これらは、政策が位置情報を利用することと、配置変更への対応を示す評価結果である。ただし、ベンチマーク上の試験であり、実機での操作成功や異なるロボット・作業への転用を示すものではない。π0.5との比較も、記載された同一評価環境での値に限って読む必要がある。 次に確認すべきなのは、実機での再現性、推論の遅延や計算負荷、異なる物体・作業への適用範囲である。また、データ再構成、DINOv3に基づく認識、行動モデルの各要素を個別に比較した結果があれば、性能を支える機構の説明がより明確になる。論文の要旨にあるベンチマーク成績は、配置や指示の変化を扱う評価設計の有用性を示す一方、運用上の堅牢性を判断するには追加の検証が要る。

なぜ重要か

論文が示したLIBERO-Objectの結果では、物体位置情報の入れ替えで成功率が0.965から0.215に低下し、28 cmの目標物移動では0.865だった。画像だけでなく位置情報などを政策に渡す設計を評価する根拠にはなるが、実機での性能や他の作業への適用を裏づける結果ではない。