VLAモデルの継続学習手法「CLARE」、ミュンヘン工大が提案 タスク識別子不要で破滅的忘却を回避

何が起きたか

ミュンヘン工科大学の研究チームは2026年1月14日、VLAモデル向けの継続学習フレームワーク「CLARE」をarXivで発表した。CLAREは、事前学習済みVLAに軽量なモジュール型アダプタを導入し、新しいタスクを学習する際に層ごとの特徴類似度に基づいてモデルを自律的に拡張する。展開時にはオートエンコーダベースのルーティング機構がタスクラベルなしで関連アダプタを動的に活性化する。実験ではLIBEROベンチマークと5つの実世界タスクで、過去のタスクを忘れることなく新しいタスクで高い性能を達成し、経験再生を用いる手法を上回ったとしている。

詳細

CLAREは、VLAの選択されたモジュールに軽量なモジュール型アダプタを導入し、新しいタスクの学習時に層ごとの特徴類似度に基づいて必要な箇所のみモデルを自律的に拡張する。展開時には、オートエンコーダベースのルーティング機構がタスクラベルを必要とせずに最も関連するアダプタを動的に活性化する。これにより、過去のデータを保存する必要がなく、長いタスクシーケンスやタスク識別子への依存といった既存の継続学習手法の限界を克服する。実験はLIBEROベンチマークと5つの実世界タスクで実施され、新しいタスクでの高い性能と、過去のタスクの破滅的忘却の回避を両立し、経験再生を用いる手法を大幅に上回ったとしている。コード、データ、動画はプロジェクトウェブサイト(https://tum-lsy.github.io/clare)で公開されている。

Key Facts

本紙の見方

今回の発表は、ロボットの実世界運用における継続学習という課題に対する一つの回答を示すものだ。VLAモデルはタスク固有データでのファインチューニングが一般的だが、実世界では新しいタスクや環境に継続的に適応しながら、既に獲得した知識を保持する必要がある。既存の継続学習手法は、過去データの保存(経験再生)が必要だったり、長いタスクシーケンスに弱かったり、タスク識別子を必要としたりする。CLAREはこれらの制約を、軽量アダプタの自律的拡張とオートエンコーダベースのルーティングによって解決しようとする点が新しい。 本紙の過去記事(2026年7月7日付『Field AI、英建設大手McLarenと提携 ロボット犬を英国で展開』)では、四足ロボットが現場の360度画像取得や品質管理に活用される事例を報じた。こうした実現場での展開は、ロボットが多様な環境で継続的にタスクを学習する必要性を示す。CLAREのような継続学習技術は、こうした現場での適応を支える基盤技術として位置づけられる。ただし、Field AIの事例は特定のタスクに特化した運用であり、CLAREの実現場での有効性はまだ検証段階にある。 業界構造への含意として、CLAREはロボットの学習データの効率的な活用に寄与する可能性がある。経験再生を不要にすることで、データ保存のコストやプライバシー問題を軽減できる。また、タスク識別子を必要としないため、タスクが動的に変化する環境での展開が容易になる。これは、ロボットの量産・導入を進める上で、学習コストの低減につながる可能性がある。 一方、未確定の論点も残る。CLAREの実世界タスクは5つであり、より複雑で長期的なタスクシーケンスでの性能は不明だ。また、アダプタの拡張がモデル全体のサイズや推論コストに与える影響も検証が必要である。さらに、VLAモデルの基盤となる事前学習データや、CLAREが他のVLAアーキテクチャにどの程度一般化できるかも今後の課題となる。

なぜ重要か

ロボットが実世界で長期間運用されるためには、新しいタスクや環境への継続的な適応が不可欠であり、CLAREはそのための効率的な手法を提案する。タスク識別子を必要とせず、経験再生も不要な点は、実運用での導入障壁を下げる可能性がある。今後の実証実験や他アーキテクチャへの応用が注目される。