EmbodiedSkills: VLAエージェントの統合フレームワーク

EmbodiedSkillsは、VLAエージェントのオーケストレーション、トレーニング、デプロイのための統一フレームワークである。各スキル決定を実行提案として扱い、実行前に前提条件をチェックし、実行後に結果を検証する。共有の実行可能スキルインターフェースにより、高レベルのスキル選択、低レベルのVLA実行、および事後検証を単一のエージェントループで接続する。このインターフェースは固定されているため、低レベルのVLAポリシーはエージェントループを変更せずに交換または適応できる。また、計画、実行、検証、回復のイベントを構造化された軌跡として記録し、個々のコンポーネントの監視を提供し、対話的フィードバックが利用可能な場合にはオンライン適応をサポートする。

先行研究では、VLAモデルは視覚と言語の指示を直接ロボットのアクションにマッピングするが、長期的なタスクにはアクション予測以上のものが必要である。エージェントは物理状態の進化に応じて、知覚、計画、実行、進捗検証、回復を調整しなければならない。アクション予測やモデル生成のスキル決定だけでは、提案された操作が現在の状態で有効であることや、その結果が検証されることを保証できない。EmbodiedSkillsは、各スキル決定を実行提案として扱い、実行前に前提条件をチェックし、実行後に結果を検証することで、この問題に対処する。

手法の肝は、共有の実行可能スキルインターフェースを導入し、高レベルのスキル選択、低レベルのVLA実行、および事後検証を単一のエージェントループで接続することである。このインターフェースは固定されているため、低レベルのVLAポリシーはエージェントループを変更せずに交換または適応できる。また、計画、実行、検証、回復のイベントを構造化された軌跡として記録し、個々のコンポーネントの監視を提供し、対話的フィードバックが利用可能な場合にはオンライン適応をサポートする。

EmbodiedSkillsをQwen3-VLとOpenPI/pi0.5を用いてRoboTwin 2.0とLIBEROでインスタンス化した。タスク適応型の低レベルVLAポリシーは、50のRoboTwin 2.0タスクで平均成功率86.20%、4つのLIBEROスイートで97.40%を達成した。これらの結果は、EmbodiedSkillsで使用されるタスク適応型低レベルVLAポリシーの実行性能を確立する。4つのメモリ依存RMBenchタスクでは、同じタスク適応型実行アプローチが平均成功率12.5%を達成した。

要旨からは、議論や限界についての詳細は不明である。ただし、RMBenchタスクでの成功率が低いことから、メモリ依存タスクにおけるフレームワークの性能には課題がある可能性が示唆される。また、フレームワークはトレーニング可能で検査可能なエージェント層を提供すると述べているが、その具体的な利点や潜在的な欠点については要旨では議論されていない。

要旨で参照されている研究は、Qwen3-VL、OpenPI/pi0.5、RoboTwin 2.0、LIBERO、RMBenchである。次に読むべき論文としては、これらのモデルやデータセットの詳細を説明する論文が挙げられる。具体的には、Qwen3-VLの技術報告、OpenPI/pi0.5の論文、RoboTwin 2.0のデータセット論文、LIBEROのベンチマーク論文、RMBenchのベンチマーク論文などが考えられる。