SMILE: 長期的VLA実行のための滑らかな動作生成

SMILEは、Vision-Language-Action (VLA)モデルの長期的な動作実行を改善するための、アーキテクチャを変更しないインターフェース。B-spline係数を予測し、それを滑らかなアクションシーケンスにデコードすることで、生のチャンクに含まれるジッタや外れ値を低減し、より長い固定ホライズンを可能にする。

従来のVLAモデルは、推論コスト削減のために複数アクションを一度に実行するが、ホライズンが長くなると精度が低下する。SMILEはアクション表現のみを変更し、バックボーンやモデル規模を維持したまま、長いホライズンでの精度と推論効率を向上させる点が新しい。

SMILEは、アクションシーケンスをB-spline係数で表現し、それをデコードして滑らかなアクション列を生成する。アーキテクチャは変更せず、予測ヘッドの出力をB-spline係数に置き換えるだけなので、既存のVLAモデルに容易に適用できる。

SmolVLA、Evo1、VPP、DAWNの4つのベースラインにSMILEを適用し、LIBERO、CALVIN、実世界のxArm実験で評価。SMILE-Evo1はLIBEROで98.0%の成功率と1.1倍の高速化、SMILE-VPPはCALVINで平均長4.42と1.5倍の高速化を達成。SMILE-SmolVLAはホライズン10で非境界加速度を78.6%、速度符号変化率を42.3%削減。実世界では成功率向上、落下・接触回数の減少を確認。

要旨からは、SMILEの適用範囲や限界（例えば、B-spline表現が全てのタスクに適するかどうか）についての議論は不明。また、長いホライズンでの精度向上のメカニズムや、他のアクション表現との比較についての詳細も要旨には含まれていない。

要旨で参照されているベースラインであるSmolVLA、Evo1、VPP、DAWNの各論文。また、B-splineやアクション表現に関する関連研究として、Action Chunking with Transformers (ACT)やDiffusion Policyなどが考えられるが、要旨に明記されていないため、一般名で挙げる。