高速計画と忠実な行動：階層型視覚言語行動モデルにおける計画・実行ギャップの解消

階層型 vision-language-action (VLA) システムの planning-execution gap を扱う研究。 - 対象は $π_{0.5}$ を改変した waypoint hierarchy pipeline。 - 高レベル vision-language planner と低レベル action expert から成る。 - 課題は planner の計画生成が実時間制御に間に合わないことと、計画が action 生成に十分寄与しないこと。 - 提案は waypoint-aligned block-autoregressive decoding (Block-AR) と normalized goal modulation (NGM)。

既存の階層型 VLA ベースラインの欠点を明示し改善。 - baseline は token-level autoregressive decoding (Token-AR) で waypoint plan を生成し、57 回の高コスト VLM forward pass を要した。 - 提案手法は LIBERO で最大 VLM forward pass を 57 から 8 に削減。 - Rokae dual-arm robot で planning latency を 8.7× 削減。 - Block-AR と NGM により LIBERO-Long の成功率を 91.0% から 96.2% に、4 suite 平均を 95.85% から 98.45% に向上。

2つの技術が肝。 - waypoint-aligned block-autoregressive decoding (Block-AR): waypoint に整列した block 単位の自己回帰デコードで VLM forward pass を削減。 - normalized goal modulation (NGM): layer-wise goal path を phase gating と anti-shortcut training で制約し、waypoint が action 生成に影響を与えつつ他の信号を維持する。 - これにより planner の過剰に細かい出力粒度と executor の plan 低活用を是正。

LIBERO と実機で検証。 - LIBERO で最大 VLM forward pass を 57 から 8 に削減（prefix prefill 1回を含む）。 - Rokae dual-arm robot で planning latency 8.7× 削減。 - Block-AR + NGM + anti-shortcut training で LIBERO-Long 成功率 91.0%→96.2%、4 suite 平均 95.85%→98.45%。 - 同ロボットの3つの bimanual task では手法間で成功率が同等。

planner-executor の misalignment を指摘。 - planner の出力粒度が過剰に細かい。 - executor が plan を制御条件として十分使っていない。 - waypoint endpoints を消去しても task success への影響が小さいことを発見。 - ただし bimanual task では成功率が同等に留まる点など、限界や一般化可能性は要旨からは不明。

要旨で参照・比較されている研究や関連手法。 - $π_{0.5}$ を基にした waypoint hierarchy pipeline。 - token-level autoregressive decoding (Token-AR)。 - waypoint-aligned block-autoregressive decoding (Block-AR)。 - normalized goal modulation (NGM)。 - LIBERO benchmark。 - Rokae dual-arm robot。