VLX-Go、分割学習で対人追従の成功率を55.80%に改善　オンポリシー再学習で58.22%

何が起きたか

arXivで2026-10-14に掲載された論文「VLX-Go: Robust Embodied Tracking through Multi-Stage Learning and On-Policy Refinement」は、ロボットが環境内で指定対象を見つけて追従する embodied visual tracking の学習法を提示した。論文は、視覚と言語の整合を先に行い、その後に追従向けの運動を学ぶ多段階の方針を取る。 著者らは19,532件のオラクルエピソードで段階学習を進め、妨害対象ありの追従成功率を既存のOmTrackVLAの41.54%から55.80%へ引き上げた。さらに、方策が訪れた状態に対してフィルタ済みオラクルラベルを使うオンポリシー再学習を試し、成功率を58.22%まで高めたとしている。

詳細

論文は、複数の凍結済み視覚エンコーダー、マルチスケールの時間的コンテキスト、Transformerバックボーン、ロボット中心のウェイポイント予測用の軽量ヘッドを組み合わせた構成だとしている。学習は、視覚と言語の整合、マルチモーダル推論の中間段階、追従特化の3段階で進めた。 評価では、単独人物の追従よりも、妨害対象がある状況での追従が難しいという問題設定を置き、比較対象の中で妨害対象あり・曖昧追従の成功率が最も高かったと述べている。オンポリシー再学習では成功率が2.42ポイント上がる一方、衝突率は1.99ポイント低下した。

Key Facts

本紙の見方

本件の新しさは、ロボットの追従制御を一気通貫で学ばせるのでなく、視覚と言語の整合を先に置き、その後に運動の追従特化へ進める多段階の学習順序を明示した点にある。単なるモデル更新ではなく、19,532件のオラクルエピソードを使って学習の段差を設計し、妨害対象ありの成功率を41.54%から55.80%へ、さらにオンポリシー再学習で58.22%へ押し上げた構成が主眼だと読める。ここで重要なのは、改善幅そのものより、どの表現を先に固定し、どの部分を後段で動かすかという学習の順序設計である。 技術的には、凍結済み視覚エンコーダーを複数組み合わせ、マルチスケールの時間文脈とTransformerを接続しているため、入力の視覚特徴を保ったまま時間方向の追跡を積む構造だとみられる。ロボット中心のウェイポイント予測ヘッドを軽量にしている点も、追従タスクで必要な出力を局所化する設計として位置づけられる。つまり、世界モデルのような大仰な統合ではなく、視覚・言語・移動を段階分離しながら結ぶ実装である。 業界構造への含意としては、対人追従の課題が「認識」だけでなく「誤認しやすい共有空間での行動制御」にあることを、この論文は数値で示したことになる。比較対象が単独人物ではなく妨害対象ありの成功率で示されているため、評価軸はオープン環境の安全な追従に近い。したがって、今後の論点はモデル規模そのものより、19,532件のオラクルエピソードの生成方法、フィルタ済みラベルの基準、曖昧追従での失敗形態、そして衝突率をさらに下げながら成功率を維持できるかに移るとみられる。 未確定の論点は、学習に使ったロボットの機体条件、実環境かシミュレーションかの比率、対象の種類、実装コスト、そしてオンポリシー再学習がどの程度再現可能かである。論文は性能向上を示す一方、共有空間での追従をどの運用条件まで一般化できるかまではまだ読み切れない。

なぜ重要か

妨害対象ありの追従成功率が41.54%から55.80%に上がり、さらに58.22%まで改善したという結果は、ロボットが人を追う際の誤認と衝突を減らす設計が有効であることを示す。発表元の論文によれば、視覚と言語の整合を先に学ぶ段階設計が、その後の追従性能を押し上げる鍵になっている。