SparkVLA: 長期的操作のための適応アクションチャンクを備えた停止認識型階層VLA

SparkVLAは、長期的な操作タスクのための階層型Vision-Language-Action (VLA)システムである。各再観測時点で、サブタスクの終了タイミングとアクションチャンクの実行長という2つのインターフェース決定を、単一のランキング問題として統一的に扱う。Stopオプションとすべてのアクションプレフィックス長を候補セットに入れ、最高スコアの候補を選択することで、相互依存する決定を同時に最適化する。また、Anchor-Conditioned Context Encodingモジュールで履歴を考慮したサブタスクアンカーをキャッシュし、視覚トークンのプルーニングをタスク関連領域に誘導する。Stop-Aware Action-Prefix Selectionヘッドがチャンク境界で全候補をスコアリングする。

既存の階層型VLAアーキテクチャでは、サブタスク終了の決定とアクションチャンク長の決定を分離して評価しており、両者の相互依存性を無視している。SparkVLAは、両決定を単一のランキング問題に統合することで、この非対称性を解消し、しきい値調整を不要にし、オフラインの順序選好のみを必要とする点が新しい。

手法の核は、Stopとアクションプレフィックス長を統合した候補セットに対するランキング学習である。Anchor-Conditioned Context Encodingモジュールが、発症状態メモリと目標セマンティクスを含む履歴認識サブタスクアンカーをキャッシュし、視覚トークンプルーニングを誘導する。Stop-Aware Action-Prefix Selectionヘッドは、チャンク境界で完全な自己注意を用いて全候補をスコアリングし、効率を図る。

RoboCerebraベンチマークで評価し、公式の階層ベースラインを30.57%、最強の再現可能な手法を26.83%上回る47.12%の成功率を達成した。さらに、実ロボットによる多段階タスク実験で物理ハードウェア上での有効性を検証した。

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。また、ランキング学習のためのオフラインの順序選好の収集方法や、実ロボット実験の詳細な条件（タスク数、試行回数など）も要旨からは不明である。

要旨で参照されているのは、公式の階層ベースラインと最強の再現可能な手法であるが、具体的な名称は不明。次に読むべき論文としては、階層型VLAの基盤となるVision-Language-Actionモデル（例：RT-2、Octo）や、アクションチャンキングに関する研究（例：Action Chunking with Transformers）が考えられる。