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:2610.19677

ACRO: Actor-Criticによるロールアウト統制

ACRO: Actor-Critic Rollout Orchestration

シェア:XThreadsFacebookLINEはてブBluesky

固定されたVLAポリシーの実行中に、Criticが成功見込みを推定して介入タイミングと再開地点を決め、軌道を巻き戻して再実行させることでタスク成功率を高める手法。

詳しい要約

1. どんなもの？

- VLA policy の実行中に、続行か介入かを判断する Actor-Critic rollout orchestration layer『ACRO』 - 固定された VLA に対して、より成功見込みの高い継続を選ぶ介入を行う - 介入は物理的に実行可能で、タスク完了に十分な時間を残す必要がある - Critic が policy rollouts から学習され、成功見込みを推定する - 介入のタイミングと、実行済み trajectory 上の再開地点(re-entry target)を選ぶ - Trajectory Retraction で訪問済み経路を短縮し、その地点へロボットを戻す - 同じ VLA が新しい observation から実行を再開する

2. 先行研究と比べてどこがすごい？

- 固定 VLA をそのまま使うのではなく、いつ・どこで再開するかを制御する層を追加 - 既存の VLA 能力を、より成功率の高いタスク実行に変換できることを示す - 同一の物理実行予算(戻り動作含む)の下で成功率を改善 - SimplerEnv で +10.4、RoboCasa で +7.3、real-robot manipulation で +21.7 percentage points - 実行予算が増えるにつれ、追加タスクも完了できる - 具体的な先行研究名・比較手法は要旨からは不明

3. 技術・手法の肝は？

- Actor-Critic 構成の rollout orchestration layer - Critic は policy rollouts から学習し、成功見込み(success prospects)を推定 - Critic の推定に基づき、介入するかどうかを決定 - 実行済み trajectory 上から re-entry target を選択 - Trajectory Retraction により、訪問済み経路をショートカットして対象地点へ戻る - 戻った地点で同じ VLA が fresh observation から実行を再開 - 介入候補は、より有望な継続・物理的実行可能性・残り時間の十分性を満たす必要がある

4. どうやって有効だと検証した？

- GR00T N1.7 と π_{0.5} を用いて評価 - 評価環境は SimplerEnv、RoboCasa、real-robot manipulation - 同一の物理実行予算(戻り動作を含む)で比較 - 成功率改善は SimplerEnv +10.4、RoboCasa +7.3、real-robot +21.7 percentage points - 実行予算を増やすと追加タスクも完了することを確認 - 詳細なベースライン設定や統計手法は要旨からは不明

5. 議論はある？

- いつ・どこで policy を再開するかを制御することで、既存能力をより成功する実行に変換できると主張 - 物理実行予算を揃えた公平な比較を重視 - 実行予算増加に伴い追加タスクを完了できる点を議論 - 限界・失敗事例・計算コスト・安全性などの詳細な議論は要旨からは不明

6. 次に読むべき論文は？

- GR00T N1.7 - π_{0.5} - SimplerEnv - RoboCasa - vision-language-action (VLA) policy 関連の研究 - Actor-Critic を用いたロボット manipulation 関連の研究

※ 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: Junhoo Lee, Seungyeon Kim, Baekseung Kim, Minkyu Kim, Suhyun Jeon, Jimyeong Kim, Nojun Kwak

分類: cs.RO

原文アブストラクト

Executing a vision-language-action (VLA) policy involves deciding when to continue an attempt and when to intervene to improve its chances of success. We introduce ACRO, an Actor--Critic rollout orchestration layer that makes these decisions for a fixed VLA. ACRO seeks interventions that offer a more promising continuation, are physically feasible, and leave sufficient time to complete the task. A Critic learned from policy rollouts estimates success prospects to decide when to intervene and select a re-entry target along the executed trajectory. Trajectory Retraction shortcuts the visited path to return the robot to that target, where the same VLA resumes execution from a fresh observation. We evaluate ACRO with GR00T N1.7 and $π_{0.5}$ across SimplerEnv, RoboCasa, and real-robot manipulation. Under the same physical execution budget, including all return motion, ACRO improves success by 10.4, 7.3, and 21.7 percentage points, respectively. It also completes additional tasks as the execution budget grows. These results show that controlling when and where a policy resumes can turn its existing capabilities into more successful task executions. Project page: https://junhoo.me/acro

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