DriftingVLA: 次元別時間ドリフトによるネイティブ一段階視覚言語行動生成

DriftingVLAは、ロボット制御のためのネイティブなone-step Vision-Language-Action (VLA)モデルである。従来のflow-based VLAモデルは、各action chunkを生成するために多段階のrefinementを必要とし、オンライン制御のレイテンシを増加させていた。DriftingVLAは、単一のaction-expert forward passで完全なaction chunkを生成する。distribution-drifting objectiveを用いて、ノイズからaction chunkへの直接マッピングを学習し、反復的な積分を不要にする。さらに、Per-Dimension Temporal Drifting (PDTD)を導入し、各action dimensionの時間的軌跡を独立したdrifting unitとして扱うことで、次元固有のaction分布を細かくモデリングする。

先行研究のflow-based VLAモデルは、表現力豊かな連続action生成をサポートするが、各action chunkの生成に多段階のrefinementを必要とし、レイテンシが高い。DriftingVLAは、ネイティブなone-step生成を実現し、反復的なrefinementを排除することで、action chunk生成の速度を3.36倍高速化する。また、PDTDにより、action dimensionごとの分布特性を考慮した細かいモデリングを可能にし、制御性能を維持しながら高速化を達成している点が優れている。

手法の肝は、distribution-drifting objectiveを用いてノイズからaction chunkへの直接マッピングを学習することである。従来のflow matchingのように反復積分を必要とせず、one-stepで生成する。さらに、PDTDは、各action dimensionの時間的軌跡を独立したdrifting unitとして扱い、次元固有の分布をモデリングする。この分解はトレーニング目的にのみ適用され、共有VLAモデルは完全なaction chunkを共同で生成するため、次元間の依存関係を保持する。

有効性は、LIBEROで98.32%の成功率、RoboTwin 2.0で81.09%の成功率、6つの実世界の単腕・双腕タスクで77.67%の成功率を達成することで検証された。また、評価されたmulti-step flow policyやone-step VLAベースラインと比較して優れた性能を示し、ネイティブなone-step展開によりaction chunk生成の3.36倍の高速化を実現した。

要旨からは、議論の余地や限界についての詳細は不明である。ただし、one-step生成は高速化を実現するが、複雑なタスクや長いhorizonでの精度がmulti-stepに劣る可能性が考えられる。また、PDTDは次元ごとの分解を行うが、次元間の依存関係を保持するための工夫が必要であり、その効果や限界についてはさらなる検証が求められる。

要旨で参照されている研究は、flow-based VLAモデルやone-step VLAベースラインである。具体的な論文名は不明だが、関連する分野として、Vision-Language-Actionモデル、flow matching、diffusion policy、action chunkingなどの研究が挙げられる。次に読むべき論文としては、これらの基礎となる手法を提案した論文が適切である。