どのモダリティが重要かを感知する：ロバストなVLAポリシーのための証拠ゲート正則化

本論文は、Vision-Language-Action (VLA) ポリシーにおけるモダリティ間のスプリアスな相関に起因する失敗（modality entanglement）に対処するため、Evidence-Gated Regularization (EGR) を提案する。EGRは、フレームごと・センサーごとのタスク関連性の指標（evidence）に基づき、低evidenceセンサーには不変性（invariance）を、高evidenceセンサーには単一センサー充足性（single-sensor sufficiency）を課す2つの整合性目的をゲートする。推論時のオーバーヘッドはゼロである。BEHAVIOR-1Kに基づくベンチマークと、2つの実ロボットセットアップ（バイマニュアル、触覚）で検証し、シミュレーションおよび実機での成功率を向上させる。

先行研究では、VLAポリシーが限られた均質なデモデータから学習する際に、タスク関連信号ではなくセンサー間のスプリアスな相関に依存してしまう問題（modality entanglement）が明示されていなかった。EGRは、モダリティに依存しない訓練目的を導入し、推論時のオーバーヘッドなしで、センサーの重要度に応じて正則化を適応的に適用する点が新しい。また、実ロボットの異なるエンボディメント（バイマニュアル、触覚）で有効性を示している点も先行研究と比べて進んでいる。

EGRは、各フレーム・各センサーについてタスク関連性の指標（evidence）を計算し、その値に基づいて2つの整合性目的をゲートする。低evidenceセンサーには、そのセンサーを無視しても出力が変わらないようにする不変性（invariance）を課し、高evidenceセンサーには、そのセンサー単独でも出力が維持されるようにする単一センサー充足性（single-sensor sufficiency）を課す。これにより、モダリティ間のスプリアスな相関を減らし、センサーが欠落・劣化した場合のロバスト性を高める。

BEHAVIOR-1Kに基づくベンチマーク（推論のみの診断スイートと47のロールアウトベースのスキル）と、2つの実ロボットセットアップ（2台のKinovaアームと3台のRGBカメラによるバイマニュアル、および視覚とGelSight触覚センサーを組み合わせた単腕MELFA ASSISTA）で検証した。シミュレーションでは、全モダリティで成功率が12.5%から16.4%（+31%）、無情報センサー劣化で9.4%から16.5%（+75%）、単一センサーへのフォールバックで2.8%から6.1%（+120%）に向上。実機では、物理的物体によるディストラクタ下で、バイマニュアルで30%から85%（+183%）、触覚セットアップで55%から70%（+27%）に向上した。

要旨からは、EGRの限界や潜在的な欠点についての議論は不明である。ただし、提案手法がモダリティの重要度を動的に評価することに依存しており、evidenceの推定が不正確な場合には正則化が適切に機能しない可能性が考えられる。また、ベンチマークはBEHAVIOR-1Kに基づいており、他のタスクや環境への一般化については要旨からは不明である。

要旨で参照されている関連研究として、BEHAVIOR-1Kベンチマーク、VLAポリシー、およびモダリティ融合に関する研究が挙げられる。具体的には、Vision-Language-Actionモデル（例：RT-2、Octo）や、ロバストなマルチモーダル学習のための正則化手法（例：クロスモーダル整合性）に関する論文が関連する。