マニピュレーション2026/8/27arXiv:2608.26673v1

PredVLA: サブミリオンパラメータの予測符号化ポリシーによるロボット操作

PredVLA: A Sub-Million-Parameter Predictive-Coding Policy for Robot Manipulation

この論文は、わずか68万パラメータで言語条件付き操作を実現する予測符号化ポリシーPredVLAを提案し、LIBEROベンチマークで高い成功率を達成した。

詳しい要約

1. どんなもの？

PredVLAは、言語条件付きロボット操作のための予測符号化ポリシーであり、わずか0.68百万の学習可能パラメータとロボットデータの事前学習なしで、階層的生成リカレントダイナミクスを用いて視覚特徴とプロプリオセプションを予測する。観測は感覚予測誤差からのオンライン推論を通じてのみ潜在状態に影響を与える。

2. 先行研究と比べてどこがすごい？

大規模な事前学習済みVLAモデルが主流である中、PredVLAはパラメータ数を大幅に削減しつつ、同等以上の性能を達成している点が優れている。特に、パラメータマッチングされたTransformerやLSTMポリシーと比較して、平均成功率で3.7倍、7.4倍の差をつけており、モデルスケールが必ずしも性能に直結しないことを示している。

3. 技術・手法の肝は？

手法の核心は、予測符号化に基づく階層的生成リカレントネットワークである。観測は予測誤差を通じてのみ潜在状態に影響を与え、オンライン推論によって状態補正が行われる。これにより、観測駆動の補正の寄与を直接測定可能にしている。

4. どうやって有効だと検証した？

LIBEROベンチマークで検証され、3つの短水平スイートで平均成功率86.9%、長水平スイートを含めると75.4%を達成。さらに、同じ凍結フロントエンド、デモ、アクションデコーダ、評価プロトコルを用いた比較で、パラメータマッチングされたTransformerとLSTMポリシーに対して優位性を示した。

5. 議論はある？

予測符号化の枠組みにより、観測駆動の補正の寄与を直接測定できる点が議論の焦点である。また、サブミリオンパラメータのリカレント生成ポリシーが現代のベンチマークで強い性能を発揮することは、モデルスケールの重要性に疑問を投げかける。ただし、実世界での汎化や他のベンチマークでの性能は要旨からは不明。

6. 次に読むべき論文は？

要旨で参照されている先行研究として、大規模な事前学習済みVLAモデル（例：RT-2、Octo）や、パラメータマッチングされたTransformerおよびLSTMポリシーが挙げられる。また、予測符号化の理論的背景として、Predictive Coding Networkや、関連するリカレント生成モデル（例：PredNet）を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hiroki Sawada, Shunichi Kasahara

分類: cs.RO

原文アブストラクト

Large pretrained vision-language-action models dominate modern robot-manipulation benchmarks, but it remains unclear how much model scale is necessary for strong language-conditioned control, or whether fundamentally different control architectures can remain competitive at much smaller parameter budgets. We present PredVLA, a language-conditioned predictive-coding policy with only 0.68 million trainable network parameters and no robot-data pretraining, whose hierarchical generative recurrent dynamics predict visual features and proprioception while observations influence latent state only through online inference from the resulting sensory prediction errors. On LIBERO, PredVLA achieves an 86.9% mean success rate across the three short-horizon suites and 75.4% when the long-horizon suite is included. Under a controlled comparison using the same frozen front end, demonstrations, action decoder, and evaluation protocol, PredVLA achieves 3.7x and 7.4x mean success rates of parameter-matched Transformer and LSTM policies, respectively. The predictive-coding formulation also makes the contribution of observation-driven correction directly measurable: because observations influence the recurrent state only through prediction-error-based latent inference, disabling this inference yields an exact open-loop control condition. Together, these results show that a sub-million-parameter recurrent generative policy can achieve strong performance on modern language-conditioned manipulation benchmarks while providing an explicit mechanism for prediction-error-driven online state correction.

arXivで原文を読む →arXiv概要ページ