VLAモデルの行動意図を蒸留する新手法「INDI」、GR00T-N1.7の成功率を64.3%から84.7%に向上

何が起きたか

研究チームは2026年8月24日、arxiv.orgでVLAモデルの行動デコーダーに行動レベルの意図を蒸留する新手法「Intention Distillation (INDI)」を発表した。INDIは、訓練中に凍結された教師VLMがデモンストレーション区間を解釈し、展開中のVLAが中間デコーダー層でマルチモーダルな意図表現を復元して行動予測を整理する。SimplerEnv-BridgeではGR00T-N1.7の成功率を64.3%から84.7%に、RoboCasa Kitchenでは64.1%から70.3%に向上させ、実世界タスクでは平均成功率を62.0%から68.7%に改善した。

詳細

INDIは、行動クローニングに基づく従来のデコーダー訓練に、将来の行動の共有意味的目標を明示的にモデル化する仕組みを加える。訓練時、凍結された教師VLMが現在の観察、指示、粗い行動要約、対応する実行ビデオからデモンストレーション区間を解釈し、展開中のVLAは中間デコーダー層でマルチモーダルな意図表現を復元する。この表現は、行動の展開方法と達成内容の表現とともに行動予測を整理するために使われる。評価では、SimplerEnv-BridgeでGR00T-N1.7を64.3%から84.7%に、RoboCasa Kitchenで64.1%から70.3%に向上させ、π0.5でも両ベンチマークで一貫した改善が見られた。実世界タスクでは平均成功率が62.0%から68.7%に向上し、長期的タスクでは最大12.0ポイントの改善を確認した。分析では、復元された潜在表現がデコーダーに使用され、行動目標と実行進捗を捉え、目的に応じて下流の予測を整理することが示された。

Key Facts

本紙の見方

今回のINDIの提案は、VLAモデルの行動デコーダーが行動クローニングに依存しているという根本的な問題に取り組む点で新規性がある。従来の将来ベースの監視は、フレームや潜在観察、軌跡、動作表現などの特定の実現を捉えるが、共有された意味的目標を捉えることはできなかった。INDIは、行動レベルの意図を蒸留することで、デコーダーが生成する行動の意味的目標を明示的にモデル化する。これは、単に行動を模倣するのではなく、行動の背後にある意図を理解することを目指す点で、ロボット学習のパラダイムを一歩進めるものと言える。 本紙の過去報道との接続はないが、この研究はVLAモデルの性能向上における重要な進展を示している。特に、GR00T-N1.7やπ0.5といった既存のモデルに適用可能な点は、実用性が高い。SimplerEnv-Bridgeでの20.4ポイントの改善は顕著であり、実世界タスクでも平均成功率が6.7ポイント向上したことは、シミュレーションから実世界への転移可能性を示唆している。 業界構造への含意として、この手法はロボットの行動学習におけるデータ効率を向上させる可能性がある。行動クローニングは大量のデモンストレーションデータを必要とするが、INDIは意図を蒸留することで、少ないデータでも高い性能を達成できるかもしれない。これは、ロボット学習のコスト削減につながり、特にデータ収集が困難な実世界タスクでの応用が期待される。また、教師VLMを凍結して使用する点は、計算資源の効率化にも寄与する。 未確定の論点としては、INDIが他のVLAモデルやより複雑なタスクでどの程度汎用性を持つかが挙げられる。また、蒸留された意図表現がどのようにして行動目標と実行進捗を捉えるのか、そのメカニズムの詳細はまだ十分に解明されていない。さらに、長期的タスクでの改善が最大12.0ポイントである一方、短期的タスクでの改善幅が小さい可能性もあり、タスクの性質による影響を検証する必要がある。

なぜ重要か

INDIは、VLAモデルの行動デコーダーに意図を明示的にモデル化することで、ロボットの行動学習の精度を大幅に向上させる可能性を示した。これは、ロボットが単に行動を模倣するのではなく、行動の背後にある目的を理解することを可能にし、より柔軟で汎用的なロボット制御への道を開く。特に、実世界タスクでの成功率向上は、産業用ロボットやサービスロボットへの応用に直結する重要な成果である。