言語フィードバックによるVLAモデル失敗の訓練不要な行動補正

CorrectVLAは、Vision-Language-Action (VLA)モデルの実行時失敗を、再学習なしで修正するフレームワーク。人間がタスクレベルの自然言語による修正を与え、それをポリシーの重みを変えずに加法的なアクションの大きさの調整に変換する。単一のタスクレベルの修正を全ロールアウトに一様に適用し、エピソードごとの介入は行わない。シミュレーションと実ロボット（UFactory xArm7）で有効性を検証し、実行ミスアライメント（execution misalignment）失敗を修正できることを示す。

従来のVLAモデルは強い意味理解を持つが、展開時に系統的な失敗を示す。その失敗条件や再学習なしでの修正可能性は十分に理解されていなかった。CorrectVLAは、推論時修正（inference-time correction）に焦点を当て、ポリシーの重みを変更せずにタスクレベルの言語フィードバックをアクション調整に変換する点で新しい。既存の手法が再学習やエピソードごとの介入を必要とするのに対し、単一のタスクレベル修正で全ロールアウトに適用できる点が優れている。

手法の肝は、タスクレベルの自然言語修正を加法的なアクションの大きさの調整に変換すること。具体的には、人間が与えた修正指示を解析し、ポリシーの出力アクションに加算する調整量を生成する。ポリシーの重みは変更しない。修正は全ロールアウトに一様に適用され、エピソードごとの介入は不要。失敗モードの分類（taxonomy）に基づき、実行ミスアライメント（正しいターゲットに到達するがアクションの大きさが不正確）が修正可能なサブセットであることを特定。

シミュレーションでは、in-distributionおよびOODタスクで実行ミスアライメント失敗を回復。実ロボット実験では、環境シフト下のUFactory xArm7で、ベースポリシーがほぼ完全に機能しない状況でCorrectVLAがほぼ完璧な成功率を回復し、オブジェクトの位置やIDをまたいで一般化。さらに、LIBERO-90で失敗モードの分類を行い、修正可能な失敗と不可能な失敗を区別。

議論として、CorrectVLAはポリシーが戦略的に正しい（strategic correctness）場合にのみ成功し、基本的な意味理解が欠如している場合（semantic comprehensionが崩壊）には失敗する。これにより、推論時修正の実用的な運用境界を確立。要旨からは、他の失敗モード（意味理解の崩壊）には適用できないことが示唆されるが、その詳細な分析は不明。また、単一のタスクレベル修正が全ロールアウトに適用されるため、タスク内のバリエーションに対する適応性に限界がある可能性も考えられるが、要旨からは不明。

要旨で参照されている研究は、VLAモデル、LIBERO-90、UFactory xArm7、および失敗モードの分類に関連するもの。具体的には、Vision-Language-Actionモデルの基礎研究、LIBEROベンチマーク、ロボット操作における言語フィードバックを用いた手法。次に読むべき論文としては、VLAモデルの元論文（例：RT-2、Octoなど）や、言語条件付きロボットポリシーの失敗分析、推論時修正に関する関連研究が挙げられる。