何が起きたか
研究チームは2026年8月22日、VLAモデルの学習手法「CounterAlign」をarXivで公開した。この手法は、専門家のデモデータのみを用いて、指示を入れ替えた反事実のタプルを合成し、敵対的識別器と組み合わせて指示に基づく報酬モデルを学習する。ロバストネス重視のLIBERO-PROベンチマークで、物体位置やタスク摂動に対するロバスト性を向上させた。実機実験ではTX-G2（AGIBot G2互換）で競合ベースラインを上回った。
詳細
CounterAlignは、行動クローニング（BC）が専門家の行動に対して正の監督のみを提供し、指示と矛盾する行動への負の監督が欠如している問題に対処する。オフラインRLは外部指定の報酬や厳選された非専門家データに依存することが多いが、CounterAlignは専門家のデモのみから反事実の指示を合成し、密な修正信号を生成する。具体的には、専門家の行動と不一致の代替指示をペアリングし、データセットから反事実の指示-観察-行動タプルを合成する。敵対的識別器トレーニングを組み合わせて指示に基づく報酬モデルを学習し、追加のロールアウトやアノテーションを必要としない。LIBERO-PROベンチマークで物体位置とタスク摂動に対するロバスト性を向上させ、実機ロボットTX-G2（AGIBot G2互換）でも競合ベースラインを上回った。
Key Facts
| CounterAlignは、専門家のデモデータのみから反事実の指示を合成し、密な修正信号を生成するオフラインRL手法である。 | [1] |
| LIBERO-PROベンチマークで物体位置とタスク摂動に対するロバスト性を向上させた。 | [1] |
| 実機ロボットTX-G2（AGIBot G2互換）で競合ベースラインを上回った。 | [1] |
| 追加のロールアウトやアノテーションを必要としない。 | [1] |
| 敵対的識別器トレーニングを組み合わせて指示に基づく報酬モデルを学習する。 | [1] |
本紙の見方
今回の発表は、VLAモデルの学習におけるデータ効率の課題に取り組むもので、既存の行動クローニングの限界を補う点で新規性がある。従来のオフラインRLは外部報酬や非専門家データに依存していたが、CounterAlignは専門家デモのみから反事実の指示を合成することで、追加データ収集のコストを回避している。これは、データ収集が高コストなロボット分野において重要な進展である。 本紙の過去記事では、NVIDIAがエッジ向け世界モデル「Cosmos 3 Edge」を公開し、オンデバイス制御の重要性が示された。CounterAlignは、そのようなオンデバイスモデルの学習を効率化する可能性があり、データ制約下でのVLA学習の改善に寄与する。また、中国のロボット融資が核心部品に集中していることからも、データ効率の向上は産業全体の課題である。 業界構造への含意として、CounterAlignはデータ収集のコストを下げることで、中小企業や新規参入者がVLAモデルを活用しやすくなる可能性がある。特に、実機データが限られる環境での学習効率向上は、ロボットの産業導入を加速させる。一方で、反事実指示の合成がどの程度の汎用性を持つかは未確定であり、多様なタスクや環境での検証が今後の焦点となる。 未確定の論点としては、CounterAlignが大規模なデータセットや複雑なタスクでどの程度スケールするか、また実機での長期的なロバスト性が挙げられる。さらに、TX-G2以外のロボットプラットフォームでの有効性も確認が必要である。
なぜ重要か
CounterAlignは、ロボット学習におけるデータ効率の課題に対する具体的な解決策を示した。追加データ収集なしで密な修正信号を生成できるため、実世界でのロボット導入コストを削減する可能性がある。これは、データ制約が大きいフィジカルAI分野において、産業応用を加速させる重要な一歩となる。