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:2610.37215

行動のための検索：ロバストなVLA実行のための動作プリミティブグラフ検索

Retrieve to Act: Motion Primitive Graph Retrieval for Robust VLA Execution

シェア:XThreadsFacebookLINEはてブBluesky

訓練時の動作履歴を時空間動作プリミティブグラフとして構築し、推論時にGNNで現在位置を特定して将来の動作を検索・融合することで、VLAポリシーの分布外視覚変化へのロバスト性を高める手法を提案。

詳しい要約

1. どんなもの？

- Vision-Language-Action (VLA) ポリシーの実行時 OOD 頑健性を高める test-time scaling framework「Retrieve to Act (R2A)」 - 学習時の成功デモに含まれる運動学的 prior を活用 - OOD 頑健性を幾何的な motion primitive retrieval 問題として定式化 - ベースポリシーの finetuning を一切必要としない - 対象は複数の SOTA VLA アーキテクチャ

2. 先行研究と比べてどこがすごい？

- 既存の test-time 手法は spurious な視覚手がかりの抑制に注力 - ポリシー自身の学習経験に埋め込まれた無傷の kinematic priors を見落としていた - R2A は脆い視覚特徴を迂回し、運動学的 prior の検索で頑健性を得る点が新しい - 3 つの SOTA VLA (GR00T N1.7, π_{0.5}, StableVLA) で一貫した改善 - 絶対成功率 +12% (simulation), +40% (real-world) - base policy の finetuning 不要

3. 技術・手法の肝は？

- 成功した学習デモを offline な spatiotemporal motion primitive graph に構造化 - 推論時、query-dependent な Graph Neural Network が現在の実行をグラフ内に動的に位置づけ - 構造的に整合する将来の motion primitive を検索 - 検索した幾何 prior を frozen VLA の予測行動と統合 - learned な dimension-wise gating mechanism を使用 - 誤った空間軌道を適応的に補正しつつ、ポリシーの局所的反応性を保持

4. どうやって有効だと検証した？

- 3 つの SOTA VLA アーキテクチャで実験 - GR00T N1.7, π_{0.5}, StableVLA - 多様な contextual perturbations に対する頑健性を評価 - simulation benchmarks: LIBERO-Plus, RoboTwin2.0-Plus - 絶対成功率 最大 +12% - real-world deployments で +40% - base policy の finetuning なしで達成

5. 議論はある？

- 要旨からは不明 - 限界、失敗事例、計算コスト、graph 構築コストの議論は記載なし - 明示されている範囲では、視覚特徴を迂回し kinematic prior に依拠する設計の妥当性が主張の中心

6. 次に読むべき論文は？

- 比較対象として言及された VLA: GR00T N1.7, π_{0.5}, StableVLA - 評価に用いられた benchmarks: LIBERO-Plus, RoboTwin2.0-Plus - 関連手法として test-time で spurious visual cues を抑制する既存研究(具体名は要旨に記載なし) - 背景として Vision-Language-Action (VLA) policies 全般

※ 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: Pham Tri Quang, Bao-Ngoc Dao, Minh Duc Nguyen, Duc-Duy Nguyen, Hung T. Ho, Linh Dang Le, Trong-Bao Ho, Thien-Loc Ha, Tan Q. Nguyen, Tuan Dam, Vu N. Duong, Daniel Sonntag, Ngan Le, Khoa D. Doan, Jan Peters, An Thai Le, Duy M. H. Nguyen, Vien Anh Ngo

分類: cs.RO, cs.AI

原文アブストラクト

Vision-Language-Action (VLA) policies demonstrate remarkable semantic generalization, yet remain highly vulnerable to out-of-distribution (OOD) visual shifts during execution. While existing test-time methods attempt to suppress spurious visual cues, they fundamentally overlook the rich, uncorrupted kinematic priors embedded in the policy's own training experience. We introduce Retrieve to Act (R2A), a test-time scaling framework that formulates OOD robustness purely as a geometric motion primitive retrieval problem. R2A bypasses fragile visual features by structuring successful training demonstrations into an offline spatiotemporal motion primitive graph. During inference, a query-dependent Graph Neural Network dynamically localizes the robot's ongoing execution within this graph, retrieving structurally compatible future motion primitives. These retrieved geometric priors are then seamlessly harmonized with the frozen VLA's predicted actions via a learned, dimension-wise gating mechanism, adaptively rectifying erroneous spatial trajectories while preserving the policy's local reactivity. Extensive experiments across three state-of-the-art VLA architectures, GR00T N1.7, $π_{0.5}$, and StableVLA, demonstrate that R2A consistently and significantly enhances robustness against diverse contextual perturbations. R2A achieves absolute success rate improvements of up to +12% in simulation benchmarks (LIBERO-Plus, RoboTwin2.0-Plus) and +40% in real-world deployments, without requiring any finetuning of the base policies. Project page: https://retrieve2act.github.io/r2a/

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