TemporalFlow-VLA、LIBEROで97.63%の成功率 物理的根拠に基づく実行履歴を学習

何が起きたか

研究チームは2026年8月27日、arxiv.orgでTemporalFlow-VLAを発表した。このモデルは、ロボットの状態・形状・校正済みカメラを用いてロボット表面の時間的フローを訓練時のみのターゲットとして構築し、実行履歴を学習する。LIBEROで平均97.63%±0.26%、LIBERO Longで96.60%±0.87%の成功率を達成し、12のRoboTwinタスクではClean/Randomizedで85.5%/84.2%の成功率を示した。

詳細

TemporalFlow-VLAは、記録されたロボット状態、ロボット形状、校正済みカメラを使用してロボット表面の時間的フローを訓練専用ターゲットとして構築し、実行履歴を提供する2つの実行整合性のある時間的クエリをアクション専門家に供給する。幾何学的監視経路はデプロイ時には評価されない。非同期特徴キャッシングにより、追加の履歴エンコーディングオーバーヘッドなしで、単一フレームレベルのサーバー側サンプリング遅延を維持する。

Key Facts

本紙の見方

TemporalFlow-VLAの核心は、実行履歴を物理的に接地された形で学習する点にある。従来のVLAモデルは、過去のフレームを単純に追加するだけでは、視覚的に類似した状態でも実行履歴によって異なる行動が必要となる多段階操作で誤りが生じる。本研究は、ロボットの状態・形状・カメラからロボット表面の時間的フローを構築し、これを訓練時のみのターゲットとして用いることで、実行履歴をコンパクトに表現する。このアプローチは、推論時に幾何学的処理を不要とし、非同期特徴キャッシングにより単一フレームレベルの遅延を維持する点で実用的である。 本紙の過去報道との接続はないが、VLAモデルの進展として、長期的な操作タスクでの性能向上が顕著である。LIBERO Longでの96.60%の成功率は、長期的なマルチステージ操作における優位性を示す。RoboTwinタスクでの85.5%/84.2%の成功率は、汎化性能の高さを示す。 業界構造への含意として、この手法はロボット操作における履歴表現の重要性を再確認させる。特に、物理的接地された時間的フローを訓練に用いることで、推論時の計算負荷を増やさずに性能を向上できる点は、実ロボットへの展開を考える上で重要である。また、非同期特徴キャッシングによる遅延維持は、リアルタイム制御への応用可能性を示唆する。 未確定の論点として、実ロボットでの検証がまだ行われていないこと、また、提案手法が他のベンチマークや実環境でどの程度汎化するかは不明である。さらに、時間的フローの構築に必要な校正済みカメラやロボット形状の情報が、実環境でどの程度取得可能かも検討が必要である。

なぜ重要か

TemporalFlow-VLAは、実行履歴を物理的に接地された形で学習することで、長期的なロボット操作の成功率を大幅に向上させた。この手法は、推論時の計算負荷を増やさずに履歴情報を活用できるため、実ロボットへの応用可能性が高い。今後のロボット操作AIの進展において、履歴表現の重要性を示す一里塚となる。