ChainVLA: 統一実行状態による長期的操作のためのビジョン・言語・行動クエリの連鎖

ChainVLAは、長期的な操作タスクを対象とした1.2BパラメータのVision-Language-Action (VLA)ポリシーである。従来のaction-chunked VLAポリシーが各クエリで現在の入力から再計画するのに対し、ChainVLAは、関節的で修正可能な実行状態（joint and revisable execution state）を通じて連続するクエリを連鎖させる。具体的には、Progress Context（再帰的なWorking Stateとスパースなイベントメモリを組み合わせ、観察から得られたタスク進捗を保持）とMotion Tail（前回の予測の未実行の継続部分を状態構築とアクション生成に供給）の2つのコンポーネントを導入し、デコーダが最新の観察下で各アクションホライズンを再生成する際に、保持された状態が次の予測を導く。

既存手法は、長期のタスク証拠をメモリで保持するか、短期の動作をアクション再利用やアンサンブルで保持するかのいずれかであり、クエリ間の引き継ぎが不完全である。ChainVLAは、Progress ContextとMotion Tailを組み合わせることで、観察由来のタスク進捗と前回予測の未実行動作の両方を単一の実行状態に統合し、クロスクエリのハンドオフを改善する点が新しい。また、非対称なアブレーション結果から、動作連続性がタスク進捗推論の基盤となる観察ストリームの保存に寄与することを示している。

手法の核心は、2つのコンポーネントから構成される実行状態の設計にある。Progress Contextは、再帰的なWorking Stateとスパースなイベントメモリを用いて、観察から得られたタスク進捗を保持する。Motion Tailは、前回の予測の未実行の継続部分を状態構築とアクション生成に供給する。これらがデコーダを条件付け、最新の観察下で各アクションホライズンを再生成する。保持された状態は次の予測を導くが、固定はされず、修正可能である。

RMBenchで平均成功率62.8%、4つのLIBEROスイートで平均成功率98.8%を達成した。また、Motion TailまたはProgress Contextを除去したアブレーションでは、RMBench成功率がそれぞれ11.2%と3.0%に低下し、各コンポーネントの重要性が示された。

アブレーション結果の非対称性（Motion Tail除去で11.2%、Progress Context除去で3.0%）は、動作連続性がタスク進捗推論の基盤となる観察ストリームの保存に寄与することを示唆している。しかし、具体的なメカニズムや一般化の限界については要旨からは不明である。

要旨で参照されているRMBenchやLIBEROベンチマーク、および関連するVLAポリシーやaction-chunking手法に関する論文が挙げられる。具体的には、Vision-Language-Actionモデル、Action Chunking with Transformers (ACT)、およびロボット操作における長期計画のためのメモリ機構に関する研究が関連する。