REACT、VLAモデルのロボット制御向けにローリング・デノイジング手法を提案

何が起きたか

arXivに2026-10-08付で掲載された論文「REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA Models」は、flow-based vision-language-action（VLA）モデル向けにREACTを提案した。従来のように各制御周期でアクションチャンク全体を再生成するのではなく、最新観測を使ってアクションバッファを段階的に更新する方式を採る。著者らは、これにより長い文脈を保ちながら反応性を高める狙いだとしている。

詳細

REACTは、持続的なアクションバッファとずらしたflow timestepを維持し、各制御ステップで全ホライゾンを最新観測でデノイズしたうえで、最もクリーンなアクションブロックを実行し、将来ブロックを部分的に前進させ、末尾に新しいノイズを追加する仕組みである。実行される各アクションブロックは、複数の直近観測をまたいで精製される。 またdual decouplingにより、sensing、VLM encoding、DiT denoising、action executionを分離し、実用上の計算制約のもとでも高頻度の観測更新とアクションストリーミングを可能にする構成としている。評価はRoboTwin 2.0のsimulation benchmarkに加え、bimanual manipulationとdynamic controlを含む複数ロボットプラットフォーム上の実機タスクで行われた。

Key Facts

本紙の見方

REACTの新規性は、VLAの出力を毎回ゼロから作り直すのではなく、持続するアクションバッファを更新しながら実行する点にある。これは既存のflow-based VLAを前提に、その閉ループ上の弱点だけを切り分けて処理しようとする提案であり、モデル自体の置き換えではなく制御方式の改修に近い。加えて、sensing、VLM encoding、DiT denoising、action executionを分離した点は、知覚・表現・生成・実行の各段階を同時に回すための実装上の工夫である。 本紙の過去報道との接続はないが、公開情報の範囲では、ここで重要なのは「より大きなモデル」ではなく「同じモデルをどう実時間で回すか」である。REACTは、チャンク長を延ばすと滑らかになる一方で反応が鈍るという、ロボット制御で典型的な二律背反を、再生成ではなくローリング更新で緩和しようとしている。したがって論点は、VLAの認識精度そのものより、制御レイテンシーと軌道連続性を両立できるかに移る。 業界構造への含意としては、実世界ロボットにおける計算資源の使い方が変わる可能性がある。全チャンク再生成型では、各周期の推論負荷が大きくなりやすいが、REACTはバッファを保ったまま部分更新するため、同じ計算制約下で観測更新頻度を上げる設計になっている。これは、VLM、拡散系デノイザ、実機制御の接続をどう切り分けるかという実装論に直結する。他方で、論文要旨の範囲では、どの程度の遅延削減幅か、どのタスクで失敗率がどれだけ改善したか、また複数プラットフォーム間で同一設定がどこまで通用するかは読み取れない。 次に確認すべき論点は、RoboTwin 2.0と実機タスクの個別条件、reaction latencyとtask successの定量値、そしてdual decouplingが必要とする計算資源の内訳である。さらに、rolling-denoisingが長期タスクで累積誤差を抑えられるのか、あるいはバッファ更新に伴う遅延や不整合がどこで顕在化するのかが焦点になる。

なぜ重要か

REACTは、VLAモデルの出力をそのまま実機に流すのではなく、観測・生成・実行を分けて制御する設計を示した点に意味がある。論文要旨では、RoboTwin 2.0と複数ロボットプラットフォームでtask successの改善、reaction latencyの低下、軌道の滑らかさを示したとしており、実時間ロボット制御での評価軸を具体化している。