HAF-VLA：脚、腰、腕の順で動作生成、人型ロボットの課題得点68.3%
全身動作を段階的に生成する人型VLAが実課題6種で平均68.3%、pi0.5は53.3%だった。既存の汎用VLAの重みを再利用するため導入コストが低い。プレプリント。
固定型や車輪型ロボット向けのVLAを、脚と頭、腰、腕と手の順に動作を生成させることで、二足歩行の人型ロボットに適用できるか。
人型ロボットは歩行、姿勢、視線、両腕を同時に協調させる必要がある。26の制御次元を一度に生成すると、下半身や腰の小さな誤差を上半身が補おうとして精度と安定性が落ちる。
pi0.5など汎用VLAは動作チャンク全体を1段階で生成する。NVIDIAのGR00T N1.7、Cosmos Policy、模倣学習のACTも部位ごとの生成順序は持たない。
HAF-VLAはpi0.5のエンコーダーとアクションエキスパートを引き継ぎ、共有行動空間で3段階（歩行と頭部、腰、腕と手）に各10ステップでデノイズする。各段階の結果をKVキャッシュとして次段階に渡す。課題ごとに遠隔操作デモ120件を集め、天工3.0と2.0で学習した。
課題ごとに実機10回の評価で平均68.3%、pi0.5は53.3%、GR00T N1.7は37.8%、ACTは25.6%、Cosmos Policyは25.0%。箱の移送は93.3%（pi0.5は60.0%）。脚、腰、腕の順は86.7%で、腰優先70.0%、腕優先60.0%を上回り、30ステップのpi0.5は30.0%だった。目標台を30cm動かしても73.3%を保った（pi0.5は40.0%）。
著者は段階化で遅延が増えると認める（0.123秒、10ステップのpi0.5は0.075秒）。1研究室の2台、各設定10回の試験で、1～2回の結果で得点が数ポイント動きうる。査読前のプレプリントである。
汎用VLAをライセンスや微調整で使う人型ロボット企業に直接関係する。川崎重工業やトヨタなど日本で人型や双腕ロボットを開発する企業にとっても、基盤モデルを作り直さずに生成順序を加える手法として検証しやすい。速い作業では遅延が課題となる。
この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。