VLAモデルの行動生成、5MパラメータのMLPで244M U-Netに匹敵 論文発表

何が起きたか

2025年11月15日にarXivで公開された論文『Decoupled Action Expert: Confining Task Knowledge to the Conditioning Pathway』が、VLAモデルの行動生成部の設計に関する新たな知見を報告した。同論文は、タスク固有の知識を条件付け経路に限定し、行動生成のバックボーンをタスク非依存にできると主張している。

詳細

論文では、Diffusion Policyをテストベッドとして、MimicGenとLIBEROのベンチマークで評価。まず、観測なしの前方運動学データで汎用の行動ヘッドを事前学習し、その後凍結して条件付け経路のみを下流タスクで訓練する手法を提案。単一の凍結バックボーンを全タスクで共有しても、通常の訓練と同等の性能を示した。さらに、244MパラメータのU-Netを5MパラメータのMLPに置き換えた場合でも、性能が一致または上回ることを確認した。

Key Facts

本紙の見方

本論文の核心は、VLAモデルの行動生成部がタスク非依存の汎用構造を学習しているという実証にある。従来のVLA設計では、行動生成に数百億パラメータの拡散モデルやフローマッチングを用いるのが一般的だが、本研究はその容量が過剰である可能性を示唆する。特に、244MのU-Netを5MのMLPに置き換えても性能が維持された点は、行動生成のタスクが低次元で物理的に相関した短い系列を出力するだけであり、画像生成のような高次元の多様な出力を必要としないという直感を裏付ける。 この結果は、VLAモデルの設計における計算資源の配分に再考を促す。行動生成部の容量を削減できれば、推論コストの低減やエッジデバイスへの展開が容易になる可能性がある。一方で、本研究はDiffusion Policyをテストベッドとしており、他のアーキテクチャや実世界のロボットタスクでの汎用性は未検証である。また、条件付け経路にタスク知識を集中させる訓練手法は、タスク数が増えた際のスケーラビリティに課題があるかもしれない。 今後の焦点は、この知見が他のVLAモデルや実環境での操作タスクにどの程度適用できるか、そして行動生成部の容量削減が学習データの効率やロバスト性に与える影響を検証することにある。

なぜ重要か

この研究は、VLAモデルの設計原則に一石を投じるものであり、行動生成部の大規模化が必ずしも性能向上につながらないことを示した。ロボット学習の分野では、計算資源の効率的な活用が重要であり、本結果はより軽量で実用的なモデルの開発につながる可能性がある。