何が起きたか

2025年11月25日、arXivにプレプリント「MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization」が公開された。研究チームは、VLAモデルの微調整時に視覚エンコーダと行動指向の言語層で異なる適応度合いを実現する「MAPS」を提案し、複数のベンチマークで性能向上を報告している。

詳細

MAPSは、モジュールごとに事前学習済みモデルへの近接性制約を線形に緩和するスケジューリング手法である。視覚エンコーダは事前学習の事前分布に近い状態を保ち、行動指向の言語層はより自由に適応できるようにする。追加のパラメータやデータは不要で、既存のVLAモデルにシームレスに統合できる。評価はMiniVLA-VQ、MiniVLA-OFT、OpenVLA-OFTの各モデルに対し、SimplerEnv、CALVIN、LIBEROのベンチマークとFranka Emika Pandaプラットフォームでの実機評価で実施され、分布内・分布外の性能が最大30%向上したと報告されている。

Key Facts

MAPSは、VLAモデルの微調整時にモジュールごとに近接性制約を線形に緩和する手法である。出典一覧
MAPSは追加のパラメータやデータを必要とせず、既存のVLAに統合可能である。出典一覧
評価はMiniVLA-VQ、MiniVLA-OFT、OpenVLA-OFTで実施され、SimplerEnv、CALVIN、LIBERO、Franka Emika Pandaプラットフォームで性能が最大30%向上した。出典一覧
研究チームは、事前学習済みVLMへの近接性を経験的に導出した順序で緩和することが、VLMからVLAへの転移における汎化維持の原則であるとしている。出典一覧

本紙の見方

本手法の新規性は、VLA微調整におけるモジュールごとの適応度合いを「近接性スケジューリング」として定式化した点にある。従来の凍結や一様な正則化は、適応の柔軟性を損なうか、モジュールの役割の違いを無視していた。MAPSは、視覚エンコーダと行動指向の言語層で異なる緩和順序を経験的に見出し、これを線形スケジュールで実装することで、安定性と柔軟性のバランスを取る。追加パラメータやデータを必要としない点は、実用上の障壁が低い。 一方で、本手法は既存のVLAモデルに適用可能とされるが、その効果はモデルやタスクによって異なる可能性がある。論文では最大30%の向上と報告されているが、これは特定の条件下での結果であり、全ベンチマークで一貫した改善が得られたかは不明瞭である。また、近接性制約の緩和順序が経験的に導出されたものであり、理論的な裏付けはまだ十分ではない。 業界への含意としては、VLAモデルの汎化性能を維持しながらロボットタスクに適応させる手法が確立されれば、実世界でのロボット制御におけるデータ効率やタスク適応性が向上する可能性がある。特に、シミュレーションから実機への転移（sim-to-real）や、多様な環境でのロバスト性が求められる場面で有用とみられる。 今後の論点としては、MAPSの効果がモデル規模やタスクの複雑さにどう依存するか、また、近接性制約の緩和順序が他のVLAアーキテクチャでも有効かどうかが挙げられる。さらに、実機評価の詳細（タスク数、成功率など）が公開されるかが注目される。

なぜ重要か

VLAモデルはロボット制御の基盤技術として注目されるが、微調整による汎化性能の劣化が課題だった。MAPSは追加コストなしでこの問題に対処する可能性を示しており、ロボット学習の実用化を後押しする。ただし、効果の再現性や理論的裏付けの検証が今後の焦点となる。