日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2610.13628

JitterVLA：VLA駆動型ヒューマンロボット操作における動作品質のためのリプレイベンチマーク

JitterVLA: A Replay Benchmark for Motion Quality in VLA-Driven Human-Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

VLAポリシーが出力する指令の遅延・不規則な到着によるロボットの急激な動きを評価するため、同一指令と到着履歴を異なる制御器で再生するベンチマークJitterVLAを提案し、補間がジャークを大幅に低減することを合成・人間・実機で検証した。

詳しい要約

1. どんなもの？

VLA（Vision-language-action）ポリシーが発行するsparse targetsは、ロボットコントローラへの到達が遅延・不規則なため、妥当な予測行動でも人近くで急激な動きを生む。JitterVLAは同一コマンドと到達トレースを代替コントローラでreplayし、コントローラの効果を分離するベンチマーク。synthetic reaches、20人のhand trajectories、3つのopen VLA pipelines（838 episodes）、物理UR3に適用。

2. 先行研究と比べてどこがすごい？

従来の対策は異なるstreams・delays・metricsで評価され比較不能だった。JitterVLAは同一コマンドと到達トレースをreplayすることでコントローラの効果を分離し、異なる設定間で公平な比較を可能にする点が新しい。

3. 技術・手法の肝は？

同一のコマンドと到達トレースを代替コントローラに通すreplay設計。interpolationとjerk-limited generationを比較し、modeled p99 jerk、tracking cost、entropy-discontinuity association、entropy gatingなどを指標に評価。物理UR3ではaccelerometer-derived jerkとposition-derived metricを用いる。

4. どうやって有効だと検証した？

synthetic reaches、20人のhand trajectories、3つのopen VLA pipelines（838 episodes）、物理UR3で検証。interpolationは全sourceでmodeled p99 jerkを低下（human motionで200 ms遅延時83%、615→106 m/s^3、tracking cost 2.0 cm）。598新episodesで再現。UR3では6 exploratory pairsすべてでaccelerometer-derived jerkを3.0-14.0%低下。

5. 議論はある？

entropy-discontinuity associationは2つのpipelineで逆の符号を示し再現。entropy gatingは一方で有効、他方で無効。UR3ではaccelerometer-derived jerkはinterpolationの効果を検出したが、position-derived metricはコントラストを解決できなかった。JitterVLAは人間中心研究の前のスクリーニングを支援する。

6. 次に読むべき論文は？

要旨で参照/比較されている研究は明示されていない。関連手法としてinterpolation、jerk-limited generation、entropy gating、VLA pipelines、UR3を用いた評価が挙げられる。同分野の定番としてVision-language-action policies、robot controller、motion quality metricsに関する研究を読むとよい。

※ 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: Faith Ogunwoye, Didar Seyidov, Konstantin Gubernatorov, Dzmitry Tsetserukou

分類: cs.RO, cs.HC, cs.LG

原文アブストラクト

Vision-language-action (VLA) policies issue sparse targets whose arrival at the robot controller is delayed and irregular, so a reasonable predicted action can still produce abrupt motion near people. Remedies are evaluated on different streams, delays and metrics. JitterVLA replays identical commands and arrival traces through alternative controllers, isolating the controller's effect. We apply it to synthetic reaches, hand trajectories from 20 people, three open VLA pipelines (838 episodes) and a physical UR3. Interpolation lowered modeled p99 jerk for every source, by 83% (615 to 106 m/s^3) on human motion with 200 ms delay, at a 2.0 cm tracking cost, and the effect replicated on 598 new episodes; jerk-limited generation lowered jerk further at a larger cost. Entropy-discontinuity associations had opposite, replicated signs in two pipelines, and entropy gating helped in one but not the other. On the UR3, interpolation lowered accelerometer-derived jerk by 3.0-14.0% in all six exploratory pairs, while a position-derived metric did not resolve the contrast. JitterVLA supports screening before human-centred studies; code and data will be released.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI