VLA/転移学習2026/9/2arXiv:2609.02546v1

ZETA: テーブルトップ操作におけるゼロショット・クロスエンボディメントVLA転移の統制研究

ZETA: A Controlled Study of Zero-Shot Cross-Embodiment VLA Transfer for Tabletop Manipulation

異なるロボット形態へのゼロショット転移を体系的に評価するため、厳密な定義と統制ベンチマークを導入し、状態表現・事前学習の多様性・補助学習・対象形態の露出の影響を分析した。

詳しい要約

1. どんなもの？

ZETAは、テーブルトップ操作におけるVision-Language-Action (VLA)モデルのゼロショット・クロスエンボディメント転移を体系的に研究するための、制御されたベンチマークと分析フレームワークを提案する。厳密なゼロショット転移（訓練データに目標エンボディメントが一切含まれない）と、事前学習露出型ゼロショット転移（事前学習にのみ現れる）を区別し、14種類の未見エンボディメントを含む制御されたベンチマークを提供する。

2. 先行研究と比べてどこがすごい？

既存研究ではゼロショット転移の定義が統一されておらず、エンボディメントの変化をタスク・シーン・プロトコルの違いから分離した制御評価が不足していた。ZETAは、厳密な転移と事前学習露出型転移を明確に区別し、エンボディメントのみを変化させた制御環境を導入することで、転移性能に影響する要因を個別に分析可能にした点が優れている。

3. 技術・手法の肝は？

手法の肝は、制御されたベンチマーク設計と要因分析にある。具体的には、シミュレーションと実世界の両方で14種類の未見エンボディメントを用意し、状態行動表現（局所EEF表現など）、事前学習のエンボディメント多様性、補助的共訓練目的、目標エンボディメント露出の4要因を個別に操作して、その影響を測定する。

4. どうやって有効だと検証した？

有効性は、制御された実験により検証された。結果として、局所EEF状態行動表現、ソースエンボディメント多様性、補助的共訓練がそれぞれ約15、18、7パーセントポイントの転移性能向上をもたらした。また、事前学習に目標エンボディメントデータを5%追加するだけで、平均目標エンボディメント進捗が13.4パーセントポイント向上し、厳密転移と事前学習露出型転移が異なる性質を持つことを示した。

5. 議論はある？

議論として、厳密ゼロショット転移と事前学習露出型ゼロショット転移は明確に区別すべきであり、別々に報告する必要があると主張している。また、本研究は固定テーブルトップ操作と2フィンガーグリッパーに限定されており、移動ベース制御、器用な手、長期的タスクなどへの一般化は今後の課題である。

6. 次に読むべき論文は？

要旨からは、次に読むべき具体的な論文は不明であるが、関連する分野として、VLAモデルのクロスエンボディメント転移に関する既存研究や、エンボディメント多様性が転移に与える影響を調べた研究が挙げられる。

※ 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: Mi Yan, Wenhao Zhang, Zhiqi Zhang, Yu Peng, Tangxinyu Wang, Lingfei Zhai, Jiayi Su, Shengliang Deng, Lin Peng, Yaowei Liu, Yuxing Chen, Zhiyuan Wei, Jilong Wang, Jiayi Chen, Jiangran Lyu, Zhizheng Zhang, He Wang

分類: cs.RO

原文アブストラクト

Zero-shot generalization to unseen embodiments is important for generalizable vision-language-action (VLA) models as robot hardware evolves and task-specific data collection remains costly. However, a systematic understanding of this problem remains limited, in part because the literature lacks a unified zero-shot transfer definition and controlled evaluation settings that isolate embodiment changes from differences in tasks, scenes, or protocols. To address this gap, we first distinguish strict zero-shot transfer, where the target embodiment is absent from all training data, from pretrain-exposed zero-shot transfer, where it appears only during pretraining. We then introduce a controlled benchmark spanning 14 held-out target embodiments across simulation and real-world validation. Within this framework, we conduct a controlled analysis of four factors: state-action representations, pretraining embodiment diversity, auxiliary co-training objectives, and target-embodiment exposure. Experimental results show that local end-effector (EEF) state-action representations, the source embodiment diversity, and auxiliary co-training improve cross-embodiment transfer by around 15, 18, and 7 percentage points, respectively. We further find that adding only 5% target-embodiment data during pretraining improves average target-embodiment progress by 13.4 percentage points, showing that strict and pretrain-exposed zero-shot transfer are distinct and should be reported separately. Together, these findings provide practical guidance for evaluating and improving cross-embodiment VLA transfer in stationary tabletop manipulation with two-finger grippers, while motivating future investigation of broader settings including mobile-base control, dexterous hands, and long-horizon tasks.

arXivで原文を読む →arXiv概要ページ