💻 computer science

SUREFlow: State-space Uncertainty-aware REsidual Flow Matching for Robust Robot Manipulation

SUREFlowは、Mambaバックボーン上に構築された状態空間的な不確実性認識型残差フローマッチングフレームワークであり、行動速度と入力依存の不確実性を共同で予測することで信頼性の低い行動の選択的な精緻化を可能にし、大規模な視覚言語行動モデルに匹敵する堅牢なロボット操作性能を、大幅に少ないパラメータ数で実現するものである。

原著者： Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

公開日 2026-07-14

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Md Tanvir Islam, Sai Navaneet Peddapalli, Sangmoon Lee, Sangtae Ahn

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ロボットにジャグリングを教えていると想像してみてください。ただし、ボールを投げるのではなく、腕を動かしてカップを拾い上げ、積み上げる作業です。現在のほとんどのロボットの脳は、答えに至る単一の経路を暗記している学生のようなものです。もしその学生が小さな小石（わずかなノイズや変則的な開始位置）につまずいたら、パニックに陥り、よろめき、ジャグリングの演目全体が崩壊してしまいます。これは、彼らの速度予測における小さなミスが、雪玉が丘を転がり落ちるように積み重なり、最終的にロボットがタスクに対して全く異なる動作をしてしまうためです。

ここに、SUREFlowが登場します。これは、単なる暗記者ではなく、慎重で自己チェックを行うナビゲーターのように振る舞う新しいロボットの脳です。

問題点：「雪玉」効果

この論文は、現在のロボットのポリシー、特に「生成的」な手法（拡散モデルやフロー・マッチングなど）を使用する手法が、しばしば「自分たちのミスはどこでも同じ大きさである」と仮定していると指摘しています。それは、曲がる時に「1インチ外れる可能性」と「1マイル外れる可能性」を等しく考えているドライバーのようなものです。実際には、タスクの中には難しい部分や不確実な部分もあれば、簡単な部分もあります。これらのロボットが、自分の仕事を確認することなく長い一連の動きを実行し続けると、微細な速度エラーが蓄積し、クラッシュへと繋がります。著者らは、単にロボットの脳を大きくすること（巨大な「数十億パラメータ」のモデルを使うこと）が唯一の解決策であるという考えを明確に否定しており、より小さくスマートな脳でも同等の成果を出せることを示しています。

解決策：「自己修正型」GPS

著者らは、SUREFlow（State-space Uncertainty-aware REsidual Flow Matching：状態空間不確実性認識残留フロー・マッチング）を提案しています。これは非常に長い名前ですので、比喩を使って分解してみましょう。

ロボットが霧の立ち込める道を車で運転していると想像してください。

Mambaバックボーン： 重厚で巨大なエンジン（計算に時間がかかる巨大なTransformerモデルのようなもの）の代わりに、SUREFlowはMambaと呼ばれる軽量で効率的なエンジンを使用します。これは、疲れを知らずに長距離を駆け抜けることができる、機敏なスポーツカーのようなものです。
フロー・マッチング： ロボットは単に最終目的地を推測するだけではありません。それは「速度場」を学習します。これは、出発点（ランダムなノブイズ）からゴール地点（正しいアクション）へとボートを押し進める風の流れのマップのようなものです。
秘伝のソース（SURE）： ここに魔法があります。SUREFlowはただボートを押し進めるだけでなく、不確実性検知器も携えています。それは常に、「この動きの特定の箇所に対して、自分はどの程度自信があるか？」と自問自答します。
- ロボットが自信を持っているとき（不確実性が低いとき）は、そのまま巡航を続けます。
- ロボットが不安定なとき（不確実性が高いとき）は、腕を動かす前にブレーキをかけ、微細で精密な修正を行います。

これは**不確実性認識残留フロー（URFlow）**と呼ばれます。これは、人間の助けを借りることなく、「おい、あのターンは滑りやすそうだ、ステアリングをほんの少し調整しよう」とささやく副操縦士のようなものです。これは、現実の世界に触れて正解かどうかを確認することなく、ロボットの脳内だけで完結します。

結果：小さな脳、大きな勝利

研究者たちは、これをLIBEROおよびMeta-Worldという仮想世界でテストしました。

スコア： SUREFlowは、LIBEROのテストにおいて**92.5%の成功率を達成しました。これは驚異的な跳躍であり、従来の最高峰のMambaベースのロボット（MaIL）を34.2%**上回っています。
サイズ： 最も素晴らしい点は、SUREFlowのパラメータ数がわずか1億7,900万であることです。比較のために、他のトップクラスのロボット（OpenVLAなど）が同様の結果を得るために30億から70億のパラメータを必要としていることを考えると、SUREFlowは、巨大なトラックと同じ燃費を実現するコンパクトカーのようなものです。
現実世界： 彼らはカメラを備えた実機のロボットアーム（Franka Emika）でもテストを行いました。ロボットは特定の色のカップを拾い上げ、積み上げる必要がありました。SUREFlowは**88.5%**の確率で成功し、これが単なるビデオゲーム上のトリックではないことを証明しました。

彼らが主張しなかったこと（そしてそれがなぜ重要か）

この論文は、何を主張しないかについても非常に慎重です。

モデルが巨大であることは無意味だとは主張していません。ただ、この特定の種類の長く困難なタスクにおいては、単に「大きい」ことよりも「不確実性を認識できること」の方が重要であることを示しています。
ロボットが完璧であるとは言っていません（LIBERO-PROのようなより難しいテストでの成功率49%などは、まだ改善の余地があることを示しています）。しかし、これほど小さなモデルとしては大きな前進です。
頑健なパフォーマンスを得るために、巨大で高価なバックボーンに頼る必要があるという考えに対して、明確に反論しています。彼らは、自己チェック機能を持つ軽量なモデルが、巨大なモデルを凌駕できることを示しました。

まとめ

簡単に言えば、SUREFlowはロボットに「謙虚さ」を教えています。あらゆる動きを盲信して進むのではなく、自分が確信を持てない動きを特定し、即座に修正することを学ぶのです。これにより、「雪玉」のようなエラーの増殖を食い止め、たとえ競合他社よりもはるかに小さく高速な脳であっても、長く複雑なタスクを確実に完了させることができます。著者らは、このアプローチこそが、完璧なラボの中だけでなく、乱雑で予測不可能な現実世界を扱うことができるロボットを作るための鍵であると考えています。

技術要約: SUREFlow

問題提起

生成的な視覚・言語・行動（VLA）ポリシーはロボット操作を進展させてきたが、ノイズ、部分的な観測性、および確率的な初期条件の下では頻繁に不安定性を示す。決定的な失敗モードは、長期のロールアウト中に発生する：小さな速度誤差が蓄積し、実行の信頼性を低下させる。既存の拡散（diffusion）およびフローベースのポリシーは、通常、等分散残差（一様な不確実性）を仮定しており、行動生成における不確実性をモデル化または修正するための明示的なメカニズムを欠いている。さらに、多くの高性能なアプローチは、二次的な計算複雑性を持つ大規模なTransformerバックボーンや、高いコストを伴う反復的なサンプリングステップに依存している。Mambaのような状態空間モデル（SSM）は効率的な線形時間のモデリングを提供するが、不確実性を考慮した精緻化（refinement）を統合して長期的な実行を安定させるという観点において、生成的なロボット制御への応用は限定的である。

手法: SUREFlow

著者らは、Mambaベースのバックボーン内で、条件付きフローマッチングと不確実性を考慮した残差精緻化を統合したフレームワークであるSUREFlow（State-space Uncertainty-aware REsidual Flow Matching）を提案する。

コアアーキテクチャ

バックボーンとコンディショニング: モデルは、効率的な長距離の時間的モデリングのために、Mamba状態空間バックボーンを利用する。マルチモーダル入力（マルチビューRGB画像、ロボットの固有状態、および自然言語タスク埋め込み）は、統一されたトークンシーケンスへとエンコードされる。
- フロー条件付き変調 (FCM): ノイズからエキスパートの行動への確率パスに沿って、トークン構造を変更することなく、連続的なフロー時間埋め込みを中間特徴表現に直接注入するアフィン変調メカニズム。
- メモリ誘導型アクションデコーダ (MGAD): アクショントークンを学習可能なクエリとして扱う軽量モジュールであり、これによって視覚、固有状態、タスクのマルチモーダルメモリに注意を向けさせ、時間的コンディショニングと構造的なアクション精緻化を強化する。
不確実性考慮型残差フロー (URFlow):
- ポリシーは、アクションを直接回帰する代わりに、ガウス事前分布をエキスパートの行動分布へと輸送する時間依存の速度場を学習する。
- 極めて重要な点として、SUREFlowは予測された速度と解析的なターゲット速度との乖離を残差フローとしてモデル化する。
- 本フレームワークは、予測された速度 ( $\hat{v}_t$ ) と、入力依存の不確実性推定値 ( $\hat{s}_t$ 、対数分散を表す) を共同で予測する。この定式化は、不確実性がアクションの次元やコンテキストによって変化することを認め、残差をヘテロスケダスティック（不等分散）として扱う。
推論時の精緻化:
- 推論時、ポリシーは予測された不確実性に導かれた決定論的な精緻化手順を実行する。
- $t=0$ において、モデルは各アクション次元に対して予測された不確実性を評価する。閾値 ( $\tau$ ) を超える次元は、信頼性が低いと特定される。
- これらの特定の次元は、外部の環境フィードバックを必要とせず、予測された速度を用いたクローズドループ更新 ( $a_i \leftarrow a_i - \eta \hat{v}_{0,i}$ ) を用いて選択的に精緻化される。これにより、反復的なフロー統合中の誤差蓄積を軽減する。

主な貢献

不確実性考慮型残差フロー (URFlow): 入力依存の速度分散を学習する、条件付きフローマッチング内の精緻化フレームメントの導入。これにより、計算コストをほとんど増やすことなく、信頼性の低いアクション次元を選択的に修正し、反復的なフロー統合を安定させることができる。
メモリ誘導型アクションデコーダ (MGAD): 学習可能なアクションクエリをマルチモーダルメモリへ再注意させる軽量デコーダであり、生成的なアクション合成における時間的コンディショニングと堅牢性を向上させる。
効率的な状態空間生成ポリシー: 不確実性考慮型残差精緻化を状態空間生成フローポリシーに統合した初の事例。SUREFlowは、数十億パラメータのバックボーンに依存することなく、わずか179Mパラメータでスケーラブルかつ効率的な生成的制御を実現する。

実験結果

著者らは、LIBERO、Meta-World、およびLIBERO-PROのベンチマークにおいて、SUREFlowをTransformerベースのVLA（例：OpenVLA、Octo）、拡散ポリシー、および他の状態空間手法（例：MaIL）と比較評価した。

LIBEROの性能: SUREFlowは平均成功率（SR）**92.5%**を達成し、MambaベースのMaILを34.2%、TransformerベースのOctoを17.4%上回った。
Meta-Worldの性能: モデルは平均SR **88.32%**に達し、Diffusion Policy (37.6%) や TinyVLA-H (31.6%) を大幅に凌駕した。
LIBERO-PRO (堅牢性): 多様な摂動（物体の位置、セマンティクス、タスク、環境）の下で、SUREFlowは179Mパラメータのみで0.49の正規化SRを達成した。この性能は、OpenVLA (7B params, SR 0.52) や $\pi0.5$ (3B params, SR 0.53) といった大規模VLAに匹敵しており、不確実性による誘導精緻化がモデルスケールを補完できることを示している。
実ロボット検証: Franka Emikaアームを用いた実世界のカラーマッチングおよびカップ挿入タスクにおいて、SUREFlowはカラーごとの20回のロールアウトに対して**88.5%**の成功率を達成し、実世界の知覚ノイズに対する堅牢性を実証した。
アブレーション研究: 結果は、URFlowが最も顕著な個別改善（FCM単独の0.72 SRに対し0.81 SR）を提供することを確認した。すべてのコンポーネントを組み合わせることで、最高の性能（0.92 SR）が得られた。感度分析により、適度な不確実性重み付けと3ステップの精緻化が最適な安定性をもたらすことが示された。

意義と主張

本論文は、SUREFlowが効率的な状態空間モデリングと堅牢な生成的制御の間のギャップを埋めるものであると主張している。不確実性考慮型残差精緻化を統合することで、大規模なTransformerバックボーンの計算コストや、オープンループな生成的ポリシーの不安定さを回避しつつ、安定した長期ホライゾンの実行を可能にする。著者らは、本アプローチが、不確実性の校正と選択的な精緻化が、誤差の蓄積を軽減するために極めて重要であることを示しており、これにより軽量なモデル（179M params）が複雑で長期的な操作タスクにおいて、数十億パラメータのVLAに匹敵する性能を達成できることを強調している。この成果は、性能の向上が、力まかせのスケーリングではなく、入力依存の不確実性のモデリングの改善に由来することを浮き彫りにしている。