視覚・言語・行動を分離した効率的なマルチタスクロボット方策

- Vision-Language-Action (VLA) モデルの効率問題を扱う研究。 - VLM をバックボーンに使わず、vision encoder・language encoder・action head を分離した decoupled policy を検討。 - 制御実験の結果として Decoupled Embodiment Model (DEM) を提案。 - DEM は fine-tuned DINOv3 encoder、frozen NeoBERT encoder、MeanFlow head を組み合わせる。 - 18 の simulated manipulation tasks と言語 paraphrase・ランダムシーン、3 つの real-robot tasks で評価。

- 従来の VLA は数十億パラメータの VLM を制御ステップごとに使うため計算コストが高い。 - 本研究は vision・language・action を分離し、standalone vision encoder と encoder-only language model で代替可能か検証。 - 7 つの VLA ベースラインと比較し、DEM は同等の success を達成。 - 推論頻度は 8〜17 倍、推論あたりエネルギーは 6〜15 倍少ない。 - タスク範囲内で success-latency-energy のトレードオフが改善。

- demonstrations、training budget、tasks、measurement platform を固定し、vision encoder・language encoder・action head を変化させる制御実験。 - DEM は fine-tuned DINOv3 encoder と frozen NeoBERT encoder を採用。 - action head に MeanFlow head を用い、各 action chunk を single forward pass で生成。 - これにより VLM バックボーンを毎制御ステップ使うコストを回避。

- 18 の simulated manipulation tasks で評価。held-out language paraphrases と randomized scenes を使用。 - 3 つの real-robot tasks でも評価。 - 7 つの VLA ベースラインと比較。 - 評価プロトコル下で DEM は state-of-the-art VLM-backbone policies と同等の success を観測。 - 推論頻度とエネルギー効率の指標も測定。

- 低レベル manipulation policy では VLM バックボーンのコストが不要な可能性を示唆。 - 現代の decoupled components が success-latency-energy のより良いトレードオフを提供。 - ただしタスク範囲内での結果であり、一般化や限界については要旨からは不明。 - 評価プロトコル依存の可能性あり。

- 要旨で参照/比較されている VLA ベースライン（具体的名称は要旨からは不明）。 - 関連手法として Vision-Language-Action (VLA) モデル、Vision-Language Model (VLM)、DINOv3、NeoBERT、MeanFlow。 - 同分野の定番として Vision Transformer (ViT)、BERT 系 encoder-only 言語モデル、模倣学習ポリシー。