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
| VLMの常識推論を利用してタスク中心の潜在行動表現を抽出する手法が提案された（arXiv:2601.22714v1）。 | [1] |
| ディストラクタを無視するようVLMに指示することで、Distracting MetaWorldでの下流成功率が最大6倍向上した（arXiv:2601.22714v1）。 | [1] |
| UniVLAは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報告されている（arXiv:2505.06111v3）。 | [2] |
| UniVLAはDINO特徴空間で言語指示を組み込んだ潜在行動モデルを用いる（arXiv:2505.06111v3）。 | [2] |
| UniVLAは複数の操作・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たとされている（arXiv:2505.06111v3）。 | [2] |
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。