技術要約: TempoVLA

問題提起

既存のロボット操作用視覚・言語・行動（VLA）モデルは、訓練デモンストレーションから継承された単一の固定された実行速度という制約を抱えている。この硬直性は、実世界の操作タスクにおいて、低リスクの移動フェーズ（高速実行が必要）と高リスクの接触ステージ（低速かつ精密な動きが必要）が交互に現れるという性質を考えると、重大な制限となる。モデル圧縮、KVキャッシュの再利用、あるいは強化学習といった現在の取り組みは、通常、ポリシーを別の「固定された速度」へとシフトさせるものであり、明示的なオンデマンド制御を可能にするものではない。さらに、これらの手法はほぼ加速にのみ焦点を当てており、減速（精密な挿入や壊れやすいハンドオーバーに不可欠）についてはほとんど未開拓のままである。核心となる課題は、ベースとなるアーキテクチャをゼロから再学習したり新しいデータを収集したりすることなく、単一のVLAに明示的な双方向の速度制御機能を備えさせることである。

手法

著者らは、明示的なスカラー条件 $s$ によって制御される可変速度でのタスク実行を可能にするフレームワーク、TempoVLA を提案する。このアプローチは、データ側の拡張戦略とモデル側のコンディショニング・メカニズムという、結合された2つのコンポーネントで構成されている。

1. 可変速度軌道拡張 (Variable-Speed Trajectory Augmentation: VSTA)

VSTAは、既存のデモンストレーションを、モーションのセマンティクス（意味論）を維持したまま、目標速度 $s$ へとオンラインで再タイミング調整を行うデータ拡張戦略である。これは以下の3つのステップで動作する。

• モーション整合的セグメンテーション: デモンストレーションを、モーションモード（静止、並進、回転、または並進と回転の組み合わせ）およびグリッパーのイベントに基づいて分割する。境界は、モードの変化や方向の反転に配置され、セマンティックな一貫性を確保する。
• チャンクレベルの速度変換: 各セグメント内において、ターゲット速度 $s$ は、$q$ 個のソースフレームを $p$ 個の出力フレームへとマッピングすることで実現される（$s = q/p$）。各チャンクの総移動量 $\Delta$ を累積した後、線形補間を用いて $p$ 個の等幅ステップへと再分割する。これにより、チャンク内の軌道の形状を変化させつつ、チャンク全体の統合された移動量を保持する。この操作は、加算に対して閉じられたアクション空間（例：デカルト座標系の並進、関節速度、軸角ベクトル）において有効である。
• オンライン・チャンク開始サンプリング: 再タイミング処理中に観測データが破棄されるのを防ぐため、チャンクの開始オフセットを訓練サンプルごとにランダム化する。これにより、訓練の過程で、すべてのソースフレームがいずれかは有効なチャンクの開始点として機能し、訓練信号に寄与することを保証する。

2. 速度コンディショニング・メカニズム

ポリシー $\pi_\theta(o_t, s)$ は、速度スカラー $s$ を明示的なコンディショニング入力として与えられた拡張データセット上で訓練される。本論文では、3つの軽量な注入スキームを評価している。

• テキスト・プレフィックス: 言語指示の前にフレーズ（例：「1.5倍の速度でタスクを実行してください」）を付加する。
• 速度変調型RMSNorm: $s$ を埋め込むための小さなMLPを使用し、それをタイムステップ・エンベディングに加算した後、アクション・エキスパート層のRMSNormを変調する。
• 速度アンカーを用いたソフト・プロンプト: エンコーダ入力内に、離散的な速度アンカーに対応する学習可能なソフト・プロンプト・トークンを挿入する。

実験の結果、速度制御は最小限のエンジニアリング努力で注入可能であり、特定のコンディショニング・メカニズムにはほとんど依存しないことが示された。シンプルさと柔軟性の観点から、デフォルトではテキスト・プレフィックスが選択されている。

3. VLMスケジューラによる動的速度制御

固定コマンドを超えて、TempoVLAは高レベルの視覚・言語モデル（VLM）と組み合わせることで、自動化された動的な速度スケジューリングをサポートする。VLMはシーンを観察し、チャンクごとの速度コマンドを発行することで、人間による介入なしに、低リスクの移動中には加速し、高リスクの接触フェーズでは減速するという制御を実現する。

主な結果

シミュレーション (LIBIOベンチマーク)

• 実現可能性: VSTAは、無視できる程度のモーション誤差（$< 5 \times 10^{-8}$）を伴いつつ、広範な速度域（0.5xから2x）において実行可能なデモンストレーションを生成することに成功した。
• 性能向上: VSTAを用いた訓練は、単一速度のベースラインと比較して、デフォルトの1x成功率を向上させた。ピークパフォーマンスはしばしば中程度の速度（1.25xまたは1.5x）で発生しており、これはVSTAによるテレオペレーションデータの「リズムのパディング（余白）」の圧縮が、より決定的な実行へと導いていることを示唆している。
• 粒度: 訓練における速度の粒度が細かいほど（例：7段階の速度範囲）、粗い範囲よりもすべての速度において高い性能が得られた。
• 限界: 極端な速度（例：4x）では、ポリシーの失敗ではなく、ローレベル・コントローラが単一の制御間隔内で大きなアクションの大きさを追従できないことにより、性能が低下する。

実世界実験

• セットアップ: 7自由度のFrankaアームと平行グリッパーを用い、5つのタスク（ピック・アンド・プレースおよび変形物体操作）で展開。
• 成功率: VSTAは、デフォルトの1x成功率を、ベースラインの80.0%から88.0%へと向上させた。
• 動的スケジューリング: GPT-4oスケジューラと組み合わせた場合、システムは平均96%の成功率を達成し、最高の固定速度構成を上回った。スケジューラはフェーズ（自由空間 vs 接触）を正しく識別し、それに応じて速度を調整したが、保守的な挙動を示し、最大速度である1.5xを指令することは稀であった。
• 実現速度: 実効的な実行速度は、指令された速度（例：1.25xの指令に対し1.29xの実効速度）を密接に追従しており、ポリシーの予測がハードウェアの実行へと忠実に翻訳されていることが確認された。

意義と主張

本論文は、TempoVLAが既存のVLAに対する軽量でプラグアンドプレイな解決策であることを主張している。主な貢献は以下の通りである：

1. 双方向制御: 単一のポリシーから加速と減速の両方を可能にし、主に加速に焦点を当てていた先行研究のギャップを埋める。
2. データ効率: VSTAを用いて既存のデモンストレーションを再タイミング調整することで、新しいデータ収集を行うことなくこれを実現する。
3. 暗黙的な拡張: データの再タイミング処理は効果的なデータ拡張として機能し、デフォルトの1x性能を向上させる。これにより、ポリシーは固定された「観測から大きさへのマッピング」を記憶するのではなく、より微細な物体およびゴールに依存した特徴を学習することを強制される。
4. 動的スケジューリング: 実行速度が、高レベルの推論器（VLM）のための新しい制御チャネルとして機能することを実証した。これにより、ロボットが速度と精度のバランスを自律的に取る、フェーズ認識型の実行が可能になる。

著者らは、ポリシー自体は幅広い速度をサポートしているものの、実現可能な速度の上限はローレベル・コントローラの追従帯域幅によって決定されることを強調しており、将来的な課題として、ポリシーの速度制御範囲を最大限に活用するためのコントローラの共同チューニングが挙げられている。