PaceVLA　KAISTとRLWRLD、人型ロボの荷物処理を毎分6.3個に1.75倍化

視覚言語行動（VLA）モデルは、作業段階ごとに動作の時間刻みと予測の長さを選ぶことで、学習元の人の実演より速く、しかも精度を落とさずに動けるか。

VLA方策は遠隔操作の実演をまねて学ぶ。操作者は入力装置の制約の中で失敗を避けて慎重にゆっくり動かすため、学習したロボットも空中で腕を伸ばしたり運んだりする場面で細かな動作を繰り返す。連続動作をまとめて大きな指令にすれば速くなるが、全区間で行うと把持や設置、接触の場面に必要な細かな動きが失われる。

固定比率の時間量子化は軌道全体に同じ比率を使う。DemoSpeedupは補助方策の行動エントロピーで実演データを加速し、SAILは動作と把持の信号で事前に決めた低速と高速を切り替える。いずれも場面ではなく動作の統計から速度を決めている。

PaceVLAは既存のフローマッチング型VLA（エヌビディアのGR00T N1.5、シミュレーションではRLWRLDのRLDX-1-IMGも）を微調整し、共有の行動エキスパートに出力デコーダーを4つ持たせた。精密モード2つと量子化モード2つが、それぞれ短い予測と長い予測を担う。大規模視覚言語モデルが付けたラベルで学習した判定器が画像と指示から今粗く動いてよいかを判断し、ルーターが推論ごとにモードを1つ選ぶ。

15自由度ハンドを持つ人型ロボットALLEXが1試行で荷物10個を扱う課題で、処理量はGR00T N1.5基本形の毎分3.6個から6.3個（1.75倍）に、成功率は86％から94％に上がった。固定量子化は毎分4.2個で72％、SAILは4.3個で78％だった。フランカのアーム（各32試行）では、つかんで置く作業が12.1秒から7.6秒へ37％、エアフライヤー作業が24.6秒から14.6秒へ41％、カップ積みが45％短縮し、成功率は基本形並みだった。固定量子化はエアフライヤーとカップ積みで成功率が28.2ポイント、21.9ポイント下がった。6自由度ハンドの双腕OpenArmでは作業時間が33％と39％減った。1ステップの遅延はRTX 5090で40.07ミリ秒から42.15ミリ秒に増えた。

プレプリントである。実機試験は6課題で各32試行、人型ロボットの課題は1つだけで、いずれも著者自身の環境と実演データ（コンベヤーは320本）による。判定器は大規模視覚言語モデルのラベルに依存する。シミュレーションでは一部で基本形を下回り、RLDX-1-IMGを使うRoboCasaのつかんで置く課題は45.0％と基本形の48.5％に届かなかった。高速化は遅い遠隔操作実演との比較で、熟練者が作り込んだ産業用ロボットのプログラムとの比較ではない。