VLA2026/9/6arXiv:2609.09213

身体性を持つSLMにおける幾何条件付け：0.8Bハイブリッドモデルでの訓練制御とロバスト性診断

Geometry Conditioning in an Embodied SLM: Training Controls and Robustness Diagnostics in a 0.8B Hybrid Model

0.8Bのハイブリッド言語モデルを操作タスクに適応させ、幾何学的入力の条件付けが性能に与える影響を評価した。訓練時の幾何学的整合性による明確な優位性は見られず、座標不変性と物理的配置の汎化のギャップを示した。

詳しい要約

1. どんなもの？

- 0.8B hybrid language model を manipulation 用に適応した embodied SLM の研究。 - trainable parameters は 6.2M。 - physical-state inputs が性能に与える影響を検討。 - 6 条件を LIBERO-Spatial の 3 タスクで訓練。 - 3 seeds、540 held-out rollouts で評価。

2. 先行研究と比べてどこがすごい？

- 先行研究との具体的比較は要旨からは不明。 - geometric increments を recurrent decay gates に条件付けると 28.9% 成功。 - 訓練時に increments を shuffled すると 36.7%。 - 明示的な object/goal geometry なしは 24.4%。 - 評価時は両 geometry policies とも正しい入力を受ける。 - この recipe では訓練時の幾何アラインメントに信頼できる優位性は見られない。

3. 技術・手法の肝は？

- 0.8B hybrid language model を manipulation に適応。 - recurrent decay gates を geometric increments に条件付け。 - 同じ increments を使う token adapter も検討。 - token-clock conditioning も比較。 - state-only relative-coordinate policy と visual policies の robustness も試験。

4. どうやって有効だと検証した？

- LIBERO-Spatial の 3 タスクで 6 条件を訓練。 - 3 seeds、540 held-out rollouts で評価。 - token adapter は 27.8%。 - token-clock conditioning は 11.1%、1 seed は収束失敗。 - robustness 試験: frame relabeling 下で state-only relative-coordinate policy は 7/10 成功。 - 5 cm object displacement 後、4 つの visual policies は最大 3/20 に低下。

5. 議論はある？

- 訓練時の幾何アラインメントに信頼できる優位性はない。 - 差は seed 間で変動し結論は出ない。 - coordinate invariance と physical-layout generalization のギャップを示す。 - episode records、seed-level analyses、figure-generation code が付属。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として LIBERO-Spatial、embodied SLM、recurrent decay gates、token adapter、token-clock conditioning が挙げられる。 - 同分野の定番として manipulation 向け vision-language-action models や embodied language models が考えられる。

※ 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: Hao Li, Haofei Sun, Lin He

分類: cs.RO, cs.AI

原文アブストラクト

We study how physical-state inputs affect a 0.8B hybrid language model adapted for manipulation with 6.2M trainable parameters. Six conditions are trained on three LIBERO-Spatial tasks and evaluated over three seeds and 540 held-out rollouts. Conditioning recurrent decay gates on geometric increments yields 28.9% success, compared with 36.7% when those increments are shuffled during training and 24.4% without explicit object/goal geometry. Both geometry policies receive correct inputs at evaluation. A token adapter using the same increments scores 27.8%; differences vary across seeds and remain inconclusive. Token-clock conditioning scores 11.1%, including one seed that fails to converge. In separate robustness tests, a state-only relative-coordinate policy retains 7/10 success under frame relabeling, whereas all four tested visual policies fall to at most 3/20 after a 5 cm object displacement. These results show no reliable advantage from training-time geometric alignment under this recipe and illustrate the gap between coordinate invariance and physical-layout generalization. Episode records, seed-level analyses, and figure-generation code accompany the paper.

arXivで原文を読む →arXiv概要ページ