RecastVLA、過去の相互作用を状態化して次回制御に反映する手法を提案

何が起きたか

arXivに掲載された論文「RecastVLA: From Past Interaction to Future Control with Adaptive Policy States」は、行動生成から持続的な政策状態を作る手法を提示した。従来の明示的な履歴表現ではなく、action-side test-time trainingを基に、flow-matching vision-language-action policyの内部に適応的なpolicy stateを保持する。評価はLIBERO、RoboTwin、RoboDojo、12の実ロボット課題で行われ、matched policyとの比較で平均成功率が改善したと報告している。

詳細

論文では、policy stateはshared fast weightsとして表現され、行動生成中は固定される。depth-specific interfacesが同一のstateを参照し、深さごとの特徴とflow evaluationsを組み合わせて次回のpolicy callに向けた更新を1回定義する設計である。 学習では、後続のaction lossesが初期化、interfaces、更新規則を訓練し、以前の状態遷移を通じて微分する。デプロイ時には、更新にexpert action labelsを用いず、policy自身のaction-generation featuresで状態更新を行う。報告された改善幅として、RoboTwin Clean-to-Cleanで10.68 percentage points、controlled RoboTwin比較ではshared designが独立に訓練されたlayer-local TTTを2.58 points上回った。

Key Facts

本紙の見方

この論文の新しさは、ロボット制御で「履歴を入力する」のでなく、「行動生成の過程そのものを次の制御に使う状態」として再利用している点にある。既定路線の延長としては、test-time trainingを実機制御へ持ち込む発想自体は既存だが、RecastVLAはそれをflow-matching VLA policyの内部状態に埋め込み、shared fast weightsという形で固定・更新を分けている点が異なる。 本紙の過去報道との接続はないため、ここでは公開された論文の記述だけから読む必要がある。注目点は、履歴表現の置き換えではなく、depth-specific interfacesとflow evaluationsを使って同一状態を再利用する設計であり、これによりlayer-local TTTより2.58 points高い結果を得たとしていることである。つまり論文の焦点は、単純な性能向上よりも、どの層がどの状態を読むかという制御アーキテクチャの設計にあるとみられる。 業界構造への含意としては、ロボットの学習系で「データを貯める場所」と「その場で状態を更新する仕組み」が一体化する可能性がある点が大きい。実機12課題を含む評価は、シミュレーションだけでなく実ロボットでの適用可能性を示そうとしている一方、論文からは各課題での成功率、タスク難度の内訳、計算コスト、更新回数、推論時の遅延は読み取れない。したがって次に確認すべきは、実機での再現性、更新の安定性、taskごとの差、そしてexpert labelsなしでどこまで性能を維持できるかである。

なぜ重要か

論文が示すのは、ロボットが直前までに何をしたかを、その都度の入力としてではなく制御状態に組み込む設計である。実機12課題での評価と、expert action labelsを使わないデプロイ手順が明示されており、実運用での更新方法が論点になる。