Habilis-β: 高速動作と長時間稼働を実現するオンデバイス型 Vision-Language-Action モデル

本論文は、Tommoro Robotics によって提案された新しい Vision-Language-Action (VLA) モデル「Habilis-β」について述べています。このモデルは、実世界でのロボット運用において不可欠な「高速動作（Fast-Motion）」と「長時間稼働（Long-Lasting）」を両立し、エッジデバイス上でのオンデバイス推論を可能にするように設計されています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 問題定義と背景

現在の VLA モデルの研究評価には、実世界運用における重要なギャップが存在します。

• 評価指標の限界: 従来の評価は、人工的に初期状態を整えた「単一試行（Single-trial）」の成功率に依存しています。これでは、反復作業による状態のドリフトや、小さな誤差の蓄積、そして長時間稼働に必要な回復行動（Recovery）の能力を評価できません。
• 速度と保守性: 多くの既存モデルは、接触時の精密制御は得意ですが、自由空間での移動時に過度に保守的で低速な動作を行い、スループット（生産性）を低下させています。
• レイテンシとオンデバイス: 大規模な VLA スタックは高計算リソースを必要とし、ネットワーク依存による遅延や予測不能な反応時間をもたらします。実用的な運用には、エッジデバイス上で高頻度制御を可能にする低レイテンシな推論が必要です。

これらの課題に対処するため、Habilis-β は以下の 3 つの要件を満たすことを目指しています：

1. Fast-Motion: 精度が不要な区間では高速に動作し、接触区間では精密に制御する。
2. Long-Lasting: 反復実行による状態ドリフトや誤差蓄積に対処し、人間の介入なしに長時間稼働する。
3. On-Device: エッジデバイス上で完結し、予測可能な低レイテンシで動作する。

2. 提案手法：Habilis-β

Habilis-β は、トレーニングパイプライン、アーキテクチャ、データ戦略の 3 つの側面から構成されています。

2.1 評価指標の再定義：生産性 - 信頼性平面 (PRP)

従来の成功率に代わり、実運用に適した 2 つの指標を提案しています。

• TPH (Tasks per Hour): 1 時間あたりに完了したタスク数。生産性（Fast-Motion）の指標。
• MTBI (Mean Time Between Intervention): 外部介入（リセットや緊急停止など）が発生するまでの平均稼働時間。信頼性（Long-Lasting）の指標。
  これらを 2 次元平面（PRP）で可視化し、生産性と信頼性のトレードオフを評価します。

2.2 トレーニングパイプライン（3 段階）

1. Stage 1: プレイデータによる事前学習 (Play Data Pre-training)
   • 明示的なタスクラベルのない「プレイデータ（人間によるテレオペレーションの自由な操作）」を用いて、タスクに依存しない汎用的な物理相互作用の事前分布（Prior）を学習します。これにより、失敗からの回復行動や多様な接触状態への適応力を強化します。
2. Stage 2: 循環データによるポストトレーニング (Cyclic Data Post-training)
   • 従来の「成功→停止」ではなく、タスクを連続的に繰り返す「循環データ（Cyclic Data）」を用いて微調整を行います。これにより、サイクル間の状態ドリフトや、連続実行における回復行動を学習します。
   • ESPADA (Spatially Aware Downsampling): 自由空間の移動区間を意味的にセグメント化し、非接触区間を圧縮（ダウンサンプリング）して高速化します。接触区間は高頻度制御を維持し、動作の保守性を排除します。
3. Stage 3: 蒸留 (Distillation)
   • 多ステップのフローマッチングモデルを、2 ステップで動作を生成できる「Rectified Flow」モデルに蒸留します。これにより推論コストを大幅に削減し、エッジデバイス上での高頻度制御（High-Frequency Control）を可能にします。

2.3 推論パイプライン

• VLM プリフィクスとアクションエキスパート: 事前学習された VLM がマルチモーダル入力を処理し、アクションエキスパートが連続的なアクションチャンクを生成します。
• Classifier-Free Guidance (CFG): 推論時に、指示条件付き予測と指示なし予測を混合する CFG を適用可能です。CFG スケールを調整することで、指示への忠実度と学習済み相互作用事前分布のバランスを動的に制御し、実行速度や攻撃性を調整できます。
• 高頻度制御: 蒸留によるレイテンシ削減分を、より短いアクションチャンクでの再推論に再投資し、閉ループの反応性を高めます。

3. 主要な結果

Habilis-β は、シミュレーションおよび実世界（ヒューマノイドロボット RB-Y1）の両方で、強力なベースライン（$\pi0.5$, GR00T N1.5）を大幅に上回る性能を示しました。

3.1 シミュレーション結果 (RoboTwin 2.0)

• TPH: 120.5 ($\pi0.5$) → 572.6 (Habilis-β)
• MTBI: 30.5s ($\pi0.5$) → 39.2s (Habilis-β)
• 成功率: 47.8% → 78.5%
• ESPADA を適用することで、TPH が劇的に向上しましたが、MTBI は若干低下しました（より多くの試行を行うため、タイムアウトの絶対数は増えるため）。これは PRP 上での最適な運用点の選択が可能であることを示しています。
• 標準的な単一試行ベンチマーク（RoboTwin 2.0 リーダーボード）でも、主要タスクにおいて最高性能を記録しました。

3.2 実世界結果 (ヒューマノイドロボット)

• タスク: 2 台のビンから物品をピックアップし、コンベア上の箱に投入する「Dual-Bin Conveyor Packing」。
• TPH: 19 ($\pi0.5$) → 124 (Habilis-β) （約 6.5 倍の向上）
• MTBI: 46.1s ($\pi0.5$) → 137.4s (Habilis-β) （約 3 倍の向上）
• 成功率: 19.6% → 82.7%
• Habilis-β は、1 時間の連続稼働において、他のモデルが頻繁に介入を必要とするのに対し、安定して高スループットを維持しました。

4. 主要な貢献と意義

1. 実運用指向の評価指標 (PRP) の提案:
   • 単一試行の成功率だけでなく、「生産性 (TPH)」と「信頼性 (MTBI)」を同時に評価する枠組みを提案し、実世界でのロボット運用の真の課題（ドリフト、介入頻度、スループット）を可視化しました。
2. 高速かつ堅牢な VLA モデルの構築:
   • プレイデータによる事前学習と循環データによる微調整を組み合わせ、反復実行における状態ドリフトへの耐性を高めました。
   • ESPADA による意味的ダウンサンプリングと Rectified Flow 蒸留により、エッジデバイス上での高頻度・高速制御を実現しました。
3. オンデバイス実装の成功:
   • 大規模モデルをエッジデバイス（NVIDIA Jetson Orin）上で完結させ、ネットワーク遅延に依存しない予測可能な反応時間を実現しました。
4. 実世界での実証:
   • ヒューマノイドロボットを用いた産業用ワークフローにおいて、既存の最先端モデルを大幅に凌駕する性能を実証し、VLA モデルが実用的な物流・製造現場で運用可能であることを示しました。

結論

Habilis-β は、VLA モデルの研究を「単一タスクの成功」から「持続的かつ高速な実運用」へとシフトさせる重要な一歩です。生産性と信頼性のトレードオフを明示的に管理し、エッジデバイス上で動作する高速な制御ループを実現したこのアプローチは、将来の産業用ロボティクスや自律システムの実用化に向けた強力な基盤を提供します。