VLMの常識推論で潜在行動の質を向上、下流成功率が最大6倍に

何が起きたか

arXivに掲載された2つの論文（2026年1月30日付、2025年5月9日付）で、VLMの常識推論を用いたタスク中心の潜在行動モデル（LAM）の改善と、それを応用したクロスエンボディメントVLAポリシー「UniVLA」が発表された。前者はDistracting MetaWorldで下流成功率を最大6倍に向上させ、後者はOpenVLAを上回る性能を少ない計算量で達成したと報告している。

詳細

最初の論文（arXiv:2601.22714v1）では、LAMが行動と相関するディストラクタ（無関係な動き）を含む観測で失敗する問題に対し、VLMの常識推論を利用してプロンプト可能な表現を提供し、制御可能な変化とノイズを教師なしで分離する手法を提案している。複数のVLMを評価し、最近のVLMが古いものより劣る場合があること、ディストラクタを無視するよう指示するだけで潜在行動の質が大幅に向上し、Distracting MetaWorldでの下流成功率が最大6倍になったと報告している。 2番目の論文（arXiv:2505.06111v3）では、UniVLAというフレームワークを提案。ビデオからタスク中心の行動表現を潜在行動モデルで導出し、DINO特徴空間で言語指示を組み込むことで、タスク無関係なダイナミクスの影響を軽減する。インターネット規模のビデオで学習した汎用ポリシーを、効率的な潜在行動デコードで様々なロボットに展開できるとしている。複数の操作・ナビゲーションベンチマークと実ロボット展開で最先端の結果を得ており、OpenVLAと比較して事前学習計算量が1/20未満、下流データが1/10で優れた性能を達成したと主張している。

Key Facts

本紙の見方

今回の研究は、ロボット学習における潜在行動モデル（LAM）の弱点を、VLMの常識推論で補う点で新規性がある。従来のLAMは行動と相関するディストラクタに弱く、ノイズを学習してしまう問題があったが、VLMにタスク記述を与えることで、タスク関連の動きと無関係な動きを分離できることを示した。特に、単に「ディストラクタを無視せよ」と指示するだけで成功率が6倍になるという結果は、プロンプト設計の重要性を示唆している。 一方、UniVLAはこのタスク中心の潜在行動表現をクロスエンボディメント学習に応用し、OpenVLAと比較して計算量とデータ量を大幅に削減しながら同等以上の性能を達成した。これは、スケーリングだけに頼らない効率的なVLA学習の可能性を示す。ただし、論文の主張は著者らの報告であり、第三者による再現や実環境での検証は今後の課題である。 業界構造への含意として、VLMの常識推論を活用する手法は、ロボット学習のデータ効率を向上させる可能性があり、特に多様なエンボディメントや環境への適応が求められる現場で有用とみられる。また、VLMの選択が性能に大きく影響することから、モデル選定の重要性が増すだろう。 未確定の論点としては、提案手法の実ロボットでの汎化性、VLMのプロンプトに対するロバスト性、そして大規模な実データでの検証が挙げられる。特に、最近のVLMが古いものより劣るという結果は、モデルの進化が常に性能向上につながるわけではないことを示しており、さらなる分析が必要である。

なぜ重要か

この研究は、ロボットのポリシー学習におけるデータ効率と汎化性の課題に対して、VLMの常識推論を活用する新たなアプローチを提示している。計算資源やデータが限られた環境でも高性能なVLAポリシーを実現できる可能性があり、ロボット学習の実用化を加速する一歩となる。また、VLMの選択やプロンプト設計が性能に大きく影響することを示し、今後の研究の方向性に示唆を与える。