CARE、VLAロボットに実行失敗からの自己修正を学習させる

導入

視覚言語行動（VLA）ポリシーは、画像から状況を理解し、言語で指定された目的をロボットの動作へ変換する技術として発展しています。しかし、学習時に想定した軌道から実行が少し外れたとき、性能が急激に低下することがあります。把持位置のずれ、物体姿勢の変化、サブタスク間の移行失敗などが起きると、ポリシーは不適切な動作を続け、タスク全体を失敗させる可能性があります。

論文「CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies」は、この問題を、失敗後にタスクをどのように立て直すかという観点から扱います。

CAREの主な仕組み

• 実行中の失敗をデータにする：人工的に設計した摂動やランダムな変化を大量に加える代わりに、実際の実行で生じた失敗ロールアウトを収集します。
• 実行段階ごとに偏差をモデル化する：把持、搬送、配置など、同じずれでも発生段階によって必要な回復方法は異なります。CAREは段階に条件付けた失敗後の偏差分布を学習し、代表的な失敗状態と修正デモを合成します。
• 原子的な修正を行う：推論時にはタスクを段階的に計画し、必要に応じて小さな調整や特定操作の再実行を選びます。毎回タスクを最初からやり直す設計ではありません。
• 3D監視で状態を確認する：物理的な状態を考慮した3Dモニタリングにより、タスクの進捗を残したまま修正を開始できるタイミングを判断します。

回復能力を測るベンチマーク

CAREはFailure State Recovery Benchmark（FSR-Bench）も提案します。このベンチマークは、タスクの途中で発生した局所的なずれや構造的な異常から、ロボットが回復できるかを評価します。これは最終的な成功率だけでは見えにくい能力を測る試みです。順調な条件で最後まで到達するだけでなく、途中でミスをした後も作業を継続できることが、実環境では重要になります。

概要によれば、評価は複数のVLAバックボーン、シミュレーションベンチマーク、実世界の双腕タスクで行われました。平均タスク成功率の向上はシミュレーションで14.5ポイント、実世界で15.9ポイントと報告されています。ただし、提供された素材にはタスク別・モデル別の内訳はないため、これらは全体的な結果として読むべきです。

意義と残る課題

CAREの意義は、失敗を単なる破棄データではなく、回復方策を改善する経験として扱う点にあります。長時間の操作では、小さなミスのたびに全工程を再起動するのは非効率です。原子的な修正という考え方は、残っている進捗を活用しながら局所的に問題を解決する方向を示します。

一方で、効果は失敗軌跡の多様性、実行段階の識別、3D状態監視の精度に左右されます。未知の物体やより開放的な環境でも同じ性能を維持できるかは、今後の検証課題です。コード、モデル、データが公開されているため、失敗回復型VLAの再現研究に活用できます。

出典：Hugging Face Daily Papers