VLAモデルの継続学習フレームワークPHASER、LIBEROでASR最大31%向上

何が起きたか

arxiv.orgに2026年6月2日付で公開された論文で、PHASERというアーキテクチャ非依存の継続学習フレームワークが提案された。PHASERは、VLAモデルが新しいスキルを学習する際に生じる破滅的忘却に対処し、LIBERO継続学習スイートの3つのVLAバックボーンで評価され、平均成功率(ASR)を最大31%向上させた。

詳細

PHASERは、位相中心の容量配分により全サブスキルに等しいメモリサポートを保証し、マルチモーダル干渉ルーティング戦略で忘却リスクの高い履歴位相を動的に優先する。さらに、教師なしのアクション信号変化点検出とVLMベースの意味検証を組み合わせた軽量パイプラインAuto-PCを統合し、時間的境界を手動ラベルなしで抽出する。評価では、LIBERO-Goal CL設定で最終ASR 87.8%を達成した。

Key Facts

本紙の見方

今回のPHASERの提案は、VLAモデルの実用化に向けた重要な一歩と位置づけられる。VLAモデルは言語条件付きロボット操作で顕著な成功を収めているが、オープンエンドな環境での継続的なスキル獲得は破滅的忘却を引き起こす。従来の経験再生(ER)は一様サンプリングに依存し、操作軌道の時間的特性と整合せず、短いが因果的に重要なサブスキルを過小サンプリングする「位相飢餓」や、タスクごとの忘却度の違いを無視する問題があった。PHASERは、位相中心の容量配分とマルチモーダル干渉ルーティングにより、これらの問題に直接対処する。特に、Auto-PCによる教師なしの位相抽出は、手動ラベルへの依存を減らし、実環境での自律的な適応を可能にする点で実用的価値が高い。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、VLAモデルの継続学習はロボット基盤モデルの発展における重要な課題であり、今回の成果はその解決に向けた具体的な手法を示すものだ。 業界構造への含意としては、PHASERのような継続学習フレームワークは、ロボットメーカーやAI開発企業にとって、モデルの再学習コストを削減し、長期的な運用を可能にする点で競争力に影響する。また、Auto-PCの教師なしアプローチは、データアノテーションのコストを下げ、データパイプラインの効率化に寄与する可能性がある。 未確定の論点としては、PHASERの実ロボットへの適用時の性能や、LIBERO以外のベンチマークでの汎用性が挙げられる。また、Auto-PCのVLMベースの検証がどの程度の精度で位相境界を抽出できるか、計算コストが実運用に耐えうるかも確認が必要だ。

なぜ重要か

PHASERは、VLAモデルの継続学習における破滅的忘却という根本的な課題に対し、位相を考慮した新しい解決策を提示する。これにより、ロボットが長期的に新しいスキルを獲得し続けることが可能になり、実世界での適応性が向上する。また、教師なしの位相抽出は、データアノテーションの負担を軽減し、ロボット学習のスケーラビリティを高める点で、業界全体に影響を与える可能性がある。