VLA2026/9/15arXiv:2609.16641

SAVLA: ロボットマニピュレーションのための対称性を考慮した視覚-言語-行動モデル

SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation

事前学習済みの視覚言語モデルを固定し、同変フローマッチング行動ヘッドと正規化器を組み合わせることで、データ効率が高く回転に頑健なロボット操作ポリシーを実現した。

詳しい要約

1. どんなもの？

- SAVLAは、言語条件付きロボットマニピュレーションのためのend-to-endなsymmetry-aware VLAモデル。 - 事前学習済みのvision-language backboneを完全に凍結し、equivariant flow-matching action headと学習されたcanonicalizerを組み合わせる。 - 画像と言語指示が持つ幾何情報を活用し、デモの範囲を超えたシーン姿勢でも信頼できる空間能力を目指す。 - LIBEROで評価され、GR00T N1.5ベースラインと比較して性能向上を報告。

2. 先行研究と比べてどこがすごい？

- 従来のVLAは空間能力をデモのみから獲得し、デモがカバーするシーン姿勢の範囲内でのみ信頼できるという問題があった。 - SAVLAは対称性を考慮した設計により、回転に対するロバスト性とデータ効率を改善。 - GR00T N1.5と比較して、LIBERO全4スイートの平均成功率が5.1ポイント向上。 - LIBERO-Goalの回転下での平均成功率が41.5%から90.4%に大幅改善。

3. 技術・手法の肝は？

- 事前学習済みvision-language backboneを凍結し、equivariant flow-matching action headと学習されたcanonicalizerを組み合わせる。 - action headは状態、行動、条件付け入力を不変チャネルと同変チャネルに分解し、全層でこの型を保持する。 - canonicalizerは斜め視点の画像を正準フレームに変換し、幾何条件を一貫して回転させる。 - これにより、対称性を考慮したポリシー学習をend-to-endで実現。

4. どうやって有効だと検証した？

- LIBEROベンチマークで評価を実施。 - GR00T N1.5ベースラインと比較し、全4スイートの平均成功率で5.1ポイントの改善を確認。 - LIBERO-Goalにおける回転下の平均成功率が41.5%から90.4%へ向上したことを報告。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- GR00T N1.5（比較ベースライン） - LIBERO（評価ベンチマーク） - equivariant flow-matching action headやcanonicalizerに関連する対称性・同変手法の論文

※ 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: Junle Li, Weixian Waylon Li, Fuxiang Wu, Fusheng Hao, Fengxiang He

分類: cs.RO

原文アブストラクト

Vision-language-action (VLA) models have become the dominant paradigm for language-conditioned robot manipulation. However, although images and language instructions inherently encode geometric information, VLAs acquire their spatial competence purely from demonstrations. As a result, they are reliable only within the range of scene poses that the demonstrations cover. We propose SAVLA, an end-to-end symmetry-aware VLA model for robust and data-efficient policy learning. Our approach keeps the pretrained vision-language backbone entirely frozen while combining it with an equivariant flow-matching action head and a learned canonicalizer. The head decomposes its state, action, and conditioning inputs into invariant and equivariant channels, and preserves this typing throughout all of its layers. The canonicalizer transforms oblique-view images into a canonical frame and rotates the geometric conditions consistently. We evaluate our model on LIBERO. Compared with the GR00T N1.5 baseline, SAVLA improves the success rate averaged over all four LIBERO suites by 5.1 points and increases the mean success rate under rotation on LIBERO-Goal from 41.5% to 90.4%.

arXivで原文を読む →arXiv概要ページ