データ拡張だけではない：VLActがVLAで表現学習を重視する理由

汎用的な視覚・言語・アクション（VLA）モデルでは、データ規模の拡大が重要だと考えられてきた。しかし、ロボットの軌跡データはウェブ上の画像・テキストとは性質が異なる。収集には実機、環境、操作プロセスが必要で、コストが高い。さらに、物理世界の状態や作業の種類を広くカバーすることも難しい。したがって、固定されたロボットデータの予算では、単に軌跡を増やすだけでなく、そこからどれだけ転移可能な表現を学べるかがボトルネックになる。

Hugging Face Daily Papersで紹介されたVLActは、この問題に対して表現中心の継続事前学習を提案する。まず、複数のロボット本体から得た広範で異種のデータを使い、VLA向けのVLMバックボーンを学習する。その後、個別タスクへ微調整する構成だ。限られたロボット軌跡に合わせてモデルを単純なアクション予測器へ変えるのではなく、元の視覚・言語能力を残しつつ、ロボット間で共有できる行動の意味を形成することを狙っている。

主な設計は次の三つである。

• VLM先行知識の維持：継続学習によって、元のVLMが持つ広い視覚・言語の知識を失いにくくする。
• 連続アクションの複数ヘッド協調学習：複数のアクションヘッドで連続制御信号を学習し、データセットやロボット本体の違いに対応する。
• 部分的なアクション配置の統一：本体間で共有できる部分は整合させながら、微調整時にはタスク固有のアクションヘッドも利用できるようにする。

これは、すべてのロボットに同一の制御インターフェースを強制する方法と、最初から完全に別々の方策を作る方法の中間に位置する。ロボットの関節や制御次元が異なっていても、「つかむ」「移動する」「物体を操作する」といった行動構造は共有できる。その共通部分を学習してから、各本体の制御空間へ変換する考え方である。

報告された評価は、シミュレーション、実環境、未見のロボット本体への転移を含む。LIBERO-Plusでは成功率82.6%、RoboTwin 2.0では92.5%を達成し、概要に記載されたABot-M0やLingBot-VLAを上回った。RoboDojoでは成功率で全方策中6位となり、ワールド・アクション・モデルとして明示されたエントリーを上回っている。特に注目されるのは、未見の人型本体を対象とするRoboCasa-GR1である。下流軌跡を20%だけ使ったVLActが、全データを使ったGR00T-N1.6ベースラインを上回った。

この結果は、データ量の重要性がなくなったことを意味しない。むしろ、データが高価で限られる状況では、表現の質が独立した性能向上の軸になり得ることを示している。データ、モデル、学習・微調整パイプラインも公開され、提示資料によれば完全な継続事前学習には16基のGPUで対応できる。研究チームにとって、異なるロボット本体をまたぐ実験を始める際の計算面でのハードルを下げる可能性がある。

一方、今回の素材だけでは、各構成要素の個別効果、データの詳しい配分、より多様な実運用での安定性までは判断できない。VLActは、VLAの進歩をデータ規模だけでなく表現の共有と保持の問題として捉える有力な事例だが、すべてのロボットタスクで同じ効果を保証するものではない。

出典：Hugging Face Daily Papers