何が起きたか
2026年6月19日、arXivにプレプリント「Decoupling the Declarative from the Procedural in Vision-Language-Action Models」が公開された。研究チームは、VLAモデルの新手法「w2VLA」を提案し、物体固有のデモから学習したポリシーが、類似しない未知の物体に対してゼロショットでスキル転移できると主張している。
詳細
提案手法w2VLAは、VLMエンコーダからのマルチモーダルトークンをすべて大規模な不透明なトランスフォーマー型アクションエキスパートに入力する従来方式とは異なり、ロボットの状態系列を視覚・空間・スキル情報で変調する構成をとる。これにより、宣言的知識(概念やエンティティの意味)と手続的知識(実行方法)をパラメータ内で分離し、解釈可能な形で情報フローを再構成する。研究チームは、このモジュール方式が知識表現の分離に成功し、ロバストな行動クローニングと、類似しない未知物体への前例のないゼロショットスキル転移を可能にするとしている。
Key Facts
| 研究チームは、VLAモデルの新手法「w2VLA」を提案した。 | [1] |
| w2VLAは、VLMエンコーダからの全マルチモーダルトークンを大規模な不透明なトランスフォーマー型アクションエキスパートに入力するのではなく、ロボット状態系列を視覚・空間・スキル情報で変調する。 | [1] |
| 研究チームは、w2VLAが宣言的知識と手続的知識を分離し、類似しない未知物体へのゼロショットスキル転移を可能にするとしている。 | [1] |
| プレプリントは2026年6月19日にarXivで公開された。 | [1] |
なぜ重要か
この研究は、ロボットの汎用性を高める上で重要な一歩となる。物体固有のデモに依存しないスキル転移が実現すれば、データ収集の負担が大幅に軽減され、実世界でのロボット導入が加速する可能性がある。また、知識の分離という設計思想は、今後のVLAモデルの発展方向に影響を与えるだろう。