何が起きたか
arXiv掲載論文「RoboDuo: Attempt, Check and Atomic Recovery through Code for Vision-Language-Action Models」は2026年10月25日、VLAの失敗を検知して未完了の工程を補う枠組みを提案した。RoboDuoでは、コーディングエージェントがプログラムを生成し、全タスク型VLAに実行させたうえで完了を判定する。失敗時には原子的なスキルを実行するVLAが残りの工程を引き継ぐ。
詳細
エージェントは動作を直接出さず、実行を担う2つのVLAの選択を行う。このため、既存の全タスク型VLAの重みを更新せずにRoboDuoで包めるとしている。原子的スキル型VLAと完了判定能力を持つコーディングエージェントの訓練には、単一のLIBEROデモンストレーション群から構築したLIBERO-Atomic、LIBERO-Code、LIBERO-Judgeを用いる。 論文は、LIBEROとLIBERO-PROでX-VLAおよびπ₀.₅の性能が一貫して向上し、長い工程のタスクで改善幅が最大だったと報告した。また、重みを固定した全タスク型VLAの失敗実行を、実ロボット上で回復したとしている。
Key Facts
| RoboDuoは、コードを介してコーディングエージェントと2つのVLAを接続する閉ループ型の枠組みとして提案された。 | [1] |
| エージェントは動作を出さず、全タスク型VLAと原子的スキル型VLAのどちらに実行させるかを決める。 | [1] |
| 訓練用に、単一のLIBEROデモンストレーション群からLIBERO-Atomic、LIBERO-Code、LIBERO-Judgeを構築した。 | [1] |
| 論文はLIBEROとLIBERO-PROでX-VLAおよびπ₀.₅の改善を報告し、長い工程のタスクで改善幅が最大だったとしている。 | [1] |
| 重みを固定した全タスク型VLAの失敗実行を実ロボット上で回復したと報告した。 | [1] |
本紙の見方
この提案の焦点は、VLAの動作生成そのものを一つのモデルで完結させず、「実行」「完了判定」「残作業の引き継ぎ」に分けた点にある。論文が問題設定として挙げるのは、指示と観測から動作を直接出すVLAでは、長い工程の途中で一段階が失敗しても未完了を見逃し、タスク全体が終わらないことだ。RoboDuoは全タスク型VLAを置き換えるのではなく、コードを介するエージェントと原子的スキル型VLAを加え、既存モデルの重みを更新せずに失敗後の回復を扱う構成である。したがって新しさは、基盤VLAの能力向上だけでなく、失敗を検知して残りの工程へ処理をつなぐ制御層にあると読める。 もう一つの特徴は、回復を単なる再試行ではなく、デモンストレーションに繰り返し現れる原子的なスキルの組み合わせとして扱うことだ。LIBEROの同一デモ群からLIBERO-Atomic、LIBERO-Code、LIBERO-Judgeを作り、スキルとコード生成、完了判定をそれぞれ訓練する設計は、学習データをタスク実行だけでなく制御判断にも使う構造を示す。ただし、これらのデータセット名から、実環境の多様な失敗にどこまで一般化するかまでは判断できない。 論文はLIBEROとLIBERO-PROでX-VLA、π₀.₅の改善を報告し、とくに長い工程で改善幅が最大だったとしている。実ロボット上で固定済みの全タスク型VLAの失敗実行を回復したという結果も、モデルの重みを変更せずに追加の制御機構で補える可能性を示す。一方、要旨には改善率や評価条件、実ロボットでの対象タスク数、失敗検知の誤りが回復に及ぼす影響は記されていない。実装上は、完了判定が誤った場合に誤ったVLAへ処理を渡す可能性を含め、どの失敗を検出できるかが焦点となる。次に確認すべきなのは、長工程以外の条件での再現性、実環境での回復率、コード生成と判定に伴う遅延や安全性である。要旨の結果だけでは、運用時の信頼性や適用範囲までは確定できない。
なぜ重要か
論文の構成では、全タスク型VLAを再訓練せず、完了判定と残作業の実行を追加して失敗回復を試みる。既存のVLAを使い続けながら長工程タスクの未完了を扱えるかが、導入側にとっての具体的な論点となる。