自己補償型VLAがロボット実行誤差をオンライン補償、RoboStressと実機で成功率を大幅改善
arXivプレプリント。本研究は、ロボットの摩耗や可搬重量などに起因する実行誤差でVLAポリシーが失敗する問題に対し、命令と実行運動の残差を自己教師信号としてポリシーを展開時に適応させる自己補償型VLAを提案した。RoboStressという関節レベル誤差モデルを組み合わせたシミュレーションベンチマークで評価し、π0.5では平均成功率が49.1%から56.6%に、実機2台では各アームで30ポイント以上向上した。未見物体でも効果が確認された。
VLAポリシーはロボットの実行誤差に対してどの程度頑健か、また命令と実行運動の残差を用いた展開時適応で実行誤差を補償できるか。
ロボットの関節摩擦、バックラッシュ、コンプライアンス、重力補償誤差などにより、実行運動がVLAの命令からずれ、タスク成功率が低下する。既存研究は視覚や命令の摂動、あるいは出力コマンドへの合成ノイズに焦点を当てており、実機の状態や動作履歴に依存する関節レベルの実行誤差を再現できていない。また実機フリートでの多様な条件下評価はコストとリスクが高い。
従来は、行動空間へのガウスノイズを用いるDomain Randomization（DR）や、出力コマンドへのℓ∞摂動に対する敵対的学習を行うRobustVLAなど、訓練時にロバスト性を埋め込む手法が検討された。しかしこれらはエンドエフェクタ指令への合成ノイズであり、関節ごとの誤差や状態履歴依存性を捉えられず、π0では平均成功率がベースを下回るなど一貫しない改善に留まった。
自己補償型VLAは、VLAが出力した命令とプロプリオセプションで計測した実行運動の残差を補償信号とし、LoRAアダプタのみをフローマッチング目的でオンライン更新する。タスク報酬やラベル、誤差源の知識を必要とせず、後続命令が観測された実行誤差を先行的に補償する。RoboStressはStribeck摩擦、バックラッシュ、コンプライアンス、重力補償誤差の確立された関節レベルモデルを制御パイプラインの適切な段階に注入し、7つの展開シナリオを提供する。実機では使用履歴の異なる2台のPiperアームで評価した。
RoboStress（LIBERO全4スイート、各10タスク、シナリオごとに各タスク20エピソード）で、π0.5では平均成功率56.6%（ベース49.1%、DR 51.0%、RobustVLA 49.8%）、π0では44.2%（ベース41.7%、DR 39.8%、RobustVLA 38.8%）を達成し、全7シナリオでベースラインを上回った。実機のPiperアーム2台では、π0.5とπ0の両方で各アームの平均成功率が30ポイント以上向上した。例えばRobot Aのπ0.5はベース43%、RobustVLA 52%、自己補償型76%、Robot Bのπ0.5は43%、50%、74%だった。未見物体の把持タスクではπ0.5でベース16%、RobustVLA 36%、自己補償型64%を達成した。
著者はプロプリオセプションに依存する点を限界として挙げ、外部センサの運動推定を組み込む将来課題を示した。また本論文はarXivプレプリントであり、査読済みではない。実機評価はPiperアーム2台、4タスク、未見物体5種類に限られ、シミュレーションベンチマークは実環境の近似である。コード公開の有無は論文では報告されていない。
倉庫ピッキングや組立などVLAを搭載したマニピュレータの展開において、ロボットごとの摩耗や可搬重量変化に合わせた再訓練なしで成功率を維持できる可能性がある。既存の低レベルコントローラを変更せず、プロプリオセプションがあれば導入できるため、まずは研究用ロボットやPoCでの評価を経て、1年から3年で物流および製造現場のロボットフリートへの適用が期待される。ただし複数機種や長期運用での安全性と学習の安定性、外部センサとの統合、実タスクでの追加検証が前提となる。
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。