マニピュレーション2026/9/17arXiv:2609.20648

SkipVLA: 古典的プランニングによるVLAステップのスキップで高速ロボットマニピュレーション

SkipVLA: Skipping VLA Steps with Classical Planning for Fast Robot Manipulation

VLAモデルと古典的動作計画を組み合わせ、自由空間の移動はプランナに任せ接触を伴う技能のみVLAに問い合わせることで、成功率を保ちつつ最大2.5倍高速化した手法。

詳しい要約

1. どんなもの？

- 提案手法はSkipVLAと呼ばれるハイブリッドポリシー。 - 事前学習済みのVision-Language-Action (VLA)モデルと古典的なmotion plannerを組み合わせる。 - 自由空間の移動はplannerが担当し、把持や配置などのcontact-richなスキルにのみVLAをクエリする。 - これによりVLAのクエリ回数を削減し、タスク完了を高速化する。

2. 先行研究と比べてどこがすごい？

- 従来のVLA高速化手法（小型モデルへの蒸留、非同期action chunkのオーバーラップ、高速低レベルポリシーとの組み合わせ）は、タスク全体で学習済みポリシーを実行し続ける。 - 対してSkipVLAは、古典的motion plannerを自由空間移動に活用し、VLAをcontact-richなスキルに限定して呼び出す点が異なる。 - これにより最大2.5倍のタスク完了速度向上とエネルギー消費削減を、同じ成功率で実現する。

3. 技術・手法の肝は？

- VLAの凍結されたvision-language backboneを再利用し、各計画運動の目標poseを予測する。 - この予測器は、大規模VLAが既に学習した知識を利用して学習され、追加のデモンストレーションを必要としない。 - 古典的motion plannerは衝突のない運動を高速に生成し、VLAは把持・配置などの接触を伴うスキルにのみ使用される。

4. どうやって有効だと検証した？

- シミュレーションで13のLIBEROタスクに対し3つのVLAを用いて評価。 - 物理的な6-DoF YAMアームで3つのpick-and-placeタスクを評価。 - 最大2.5倍のタスク完了速度向上と有意に低いエネルギー消費を、同じタスク成功率で達成することを示した。

5. 議論はある？

- 要旨からは、手法の限界や失敗ケース、議論の詳細は不明。 - 古典的plannerとVLAの組み合わせが、どのようなタスク特性で有効かについての議論は要旨では触れられていない。

6. 次に読むべき論文は？

- 要旨で参照されている具体的な先行研究は明示されていない。 - 関連手法として、VLAの蒸留、非同期action chunk、高速低レベルポリシーとの組み合わせが挙げられている。 - 同分野の定番として、RT-1、RT-2、OpenVLA、LIBEROベンチマークなどが考えられる。

※ 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: Kaivalya Agrawal, Md Ashiqur Rahman, Raymond A. Yeh, Zachary Kingston

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models are a class of generalist robot policies that map camera images and language instructions directly to robot actions. While promising, these models remain slow at test time, particularly for long-horizon tasks that require many queries to the policy. Recent efforts reduce VLA latency by distilling smaller models, overlapping asynchronous action chunks, or pairing the VLA with a fast low-level policy, but still run a learned policy for the entire task. In contrast to VLA, classical motion planners quickly find collision-free motions, but require an explicit goal and have no semantic understanding of the task. In this work, we present SkipVLA, a hybrid policy that combines a pretrained VLA with a classical motion planner, using the planner for free-space motion and querying the VLA only for contact-rich skills such as grasping and placing. SkipVLA reuses the frozen vision-language backbone of the VLA to predict a target pose for each planned motion, and learns this predictor without additional demonstrations introduced into the system by using what was already learnt by the large VLA. We evaluate SkipVLA with three VLAs on 13 LIBERO tasks in simulation and three pick-and-place tasks on a physical 6-DoF YAM arm, demonstrating up to 2.5x faster task completion and significantly lower energy consumption while achieving the same task success rate.

arXivで原文を読む →arXiv概要ページ

SkipVLA: 古典的プランニングによるVLAステップのスキップで高速ロボットマニピュレーション

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文