VLAの推論誘導をステップごとに調整する手法、運転シミュレーターで固定重みを上回る

何が起きたか

arXivに2026年10月29日掲載された論文は、視覚・言語・行動（VLA）方策の推論を行動生成に反映する強さを、生成過程の各Eulerステップで調整する「CoC-CFG」と「Q-adaptive guidance」を提示した。Alpasim運転シミュレーターの閉ループ評価では、300シーン中262を通過し、元の方策の252を上回った。Waymoのエンドツーエンド運転ベンチマークでは、隠しテストセットの評価スコアとして8.135159を報告した。

詳細

CoC-CFGは、推論文を含む方策の文脈と、推論部分を除いた同じ文脈との間でclassifier-free guidanceを行う。Eulerステップごとに重みを設定し、重みが1の場合は元の方策に戻る。論文は、この重み選択をマルコフ決定過程として扱い、専門家方策を固定しノイズを一定にした条件で、あるステップの重みを適用した後、現行コントローラーで計画を完了させることで、その重みの行動価値を測定すると説明する。Q-adaptive guidanceは、その値を小規模なcriticで近似する。 Alpasimのオープンループ評価では、Q-adaptive guidanceが全ての固定重みとSAC、GRPOを上回った。Waymoの評価では、保留フレーム上の最初の3段階で、全ての固定重み、4種類の適応型guidance、SAC、GRPOを上回った。隠しテストセットでは、ルールベースのカメラ・車両変換を用いた固定済みAlpamayo 1.5に同手法を適用し、rater feedback score 8.135159を報告した。論文によると、これは公開済み手法の最高値で、従来の最高値は8.079だった。

Key Facts

本紙の見方

この論文の焦点は、VLAの推論文が正しいかを判定することではなく、推論を行動計画にどの程度反映させるかを生成の各段階で制御する点にある。重み1で元の方策に戻る設計は、推論を常時強める方式ではなく、推論なしの文脈との間で影響を調節する枠組みだ。したがって新規性は、推論の有無を切り替えることより、ステップ単位の強さを行動価値に結びつけた点にある。 評価結果は、固定重みの一括設定より適応的な調整が有効になり得ることを示す材料となる。Alpasimではオープンループで固定重みとSAC、GRPOを上回り、閉ループでは300シーン中262を通過した。元の方策の252に対する差は10シーンである。ただし、この数字は同シミュレーターの評価であり、実車での安全性や運用性能を示すものではない。Waymoでも、保留フレーム上の最初の3段階で既存の比較対象を上回ったという結果と、隠しテストセットの単一スコア8.135159は、評価条件を分けて読む必要がある。 方法上の特徴は、重みの価値をブートストラップで推定するのではなく、専門家方策とノイズを固定し、重みを一段階適用した後に現行コントローラーで計画を完了して測る点だ。これは、行動生成の中間判断を後段の計画結果と結び付けて評価する構造であり、criticが過去の推定値を引き継ぐ方式とは異なる。Q-adaptive guidanceはその測定値を小規模criticで扱うが、論文要旨だけではcriticの計算負荷や、実時間制御で各ステップの重みを決める遅延は分からない。 業界への含意は、VLAの推論品質だけでなく、推論をどの場面で強く使うかを制御対象にできる点にある。推論文の誤りが行動を誤らせ得るという問題設定に対し、単純に推論を排除せず、段階ごとの寄与を調整する選択肢を示した。ただし、AlpasimとWaymoでの結果が異なる評価環境や他のタスクにも再現するか、また測定・criticの仕組みが実運用の安全制約と両立するかは、要旨に示された結果だけでは判断できない。今後は、実機を含む評価、異なるVLAへの適用、失敗時の挙動、推論誘導に伴う計算時間を確認する必要がある。

なぜ重要か

論文の手法は、推論文を一律に採用・排除するのではなく、行動生成の各段階でその影響を調整する。Alpasimの閉ループ評価で元の方策より10シーン多く通過した一方、評価はシミュレーター内の結果であり、実車での安全性を裏付けるものではない。