VLA2026/9/12arXiv:2609.13851

ReWeight: 実演検索とサンプル重み付けによる人間データを活用したVLAポストトレーニング

ReWeight: Leveraging Human Data for VLA Post-Training via Demonstration Retrieval and Sample Weighting

一人称視点の人間実演をロボット実演と行動類似度で照合し、重み付けしてVLAモデルの追加学習に活用することで、実機タスクの成功率を大幅に向上させた研究。

詳しい要約

1. どんなもの？

- VLAモデルを特定ロボット・タスク向けにpost-trainingする枠組みReWeight。 - egocentric human demonstrationを活用し、cross-embodiment discrepancyを緩和。 - demonstration-level retrievalとsample-level weightingを組み合わせる。 - 対象はvision-language-action (VLA)モデルのpost-training。

2. 先行研究と比べてどこがすごい？

- 従来はin-domain robot demonstration収集が高コスト。 - human dataを単純に混ぜるとcross-embodiment discrepancyで性能劣化。 - ReWeightはhuman dataを選択的・重み付きで統合し劣化を抑制。 - 結果としてrobot dataのみやランダム混合より成功率を改善。

3. 技術・手法の肝は？

- cross-embodiment visuomotor representationを学習。 - 視覚観測とfuture actionsを組み合わせてbehavioral similarityを測定。 - optimal transportに基づきhuman demonstrationをretrieval。 - cross-embodiment discrepancyが小さいsampleに大きいweightを付与。

4. どうやって有効だと検証した？

- π_{0.5}を用いて8つのsimulationタスクと4つのreal-worldタスクで評価。 - clean設定とrandomized設定の両方で検証。 - simulationで平均成功率がrobot dataのみ39%、ランダム混合44%から57%へ向上。 - 実機で平均成功率68.8%、baselineを28.8%と13.8%上回る。

5. 議論はある？

- human dataの活用がスケーラブルな代替となる可能性を示す。 - cross-embodiment discrepancyの扱いが重要と議論。 - 要旨からは限界や失敗事例の詳細は不明。 - 一般化可能性や他モデルへの適用性は要旨からは不明。

6. 次に読むべき論文は？

- π_{0.5} (VLAモデル) - optimal transport - egocentric human demonstration - cross-embodiment visuomotor representation - VLA post-training

※ 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: Chenwei Wang, Dianye Huang, Match W. L. Ko, Chenjia Bai, Zhongliang Jiang

分類: cs.RO, cs.AI

原文アブストラクト

Post-training vision-language-action (VLA) models for specific robots and tasks requires in-domain demonstrations, yet collecting diverse robot data is costly. Egocentric human demonstrations provide a scalable alternative, but directly mixing human and robot data can introduce cross-embodiment discrepancies and degrade policy performance. To address this challenge, we introduce ReWeight, a framework that incorporates human data into VLA post-training through demonstration-level retrieval and sample-level weighting. ReWeight learns a cross-embodiment visuomotor representation that combines visual observations with future actions to measure behavioral similarity between human and robot demonstrations. Based on optimal transport, it retrieves human demonstrations relevant to the target robot data and assigns larger weights to samples with smaller cross-embodiment discrepancies. We evaluate ReWeight using $π_{0.5}$ across eight simulation tasks and four real-world tasks under both clean and randomized settings. In simulation, ReWeight improves the average success rate of post-trained $π_{0.5}$ from 39% with only robot data and 44% with randomly mixed human-robot data to 57%. In the physical experimental setting, it achieves an average success rate of 68.8%, outperforming the baselines by 28.8% and 13.8%, respectively. Overall, ReWeight provides an effective paradigm for transforming abundant egocentric human experience into transferable supervision for robot learning. (Project webpage: https://reweight-vla.github.io/)

arXivで原文を読む →arXiv概要ページ