💻 computer science

DriftingVLA: Native One-Step Vision-Language-Action Generation via Per-Dimension Temporal Drifting

DriftingVLAは、次元ごとの時間的ドリフト（Per-Dimension Temporal Drifting）を用いた分布ドリフト目的関数を活用することで、単一のフォワードパスで完全なアクションチャンクを生成するネイティブな1ステップ・ビジョン・ランゲージ・アクションモデルであり、従来のマルチステップ型フローベース手法と比較して3.36倍の高速化を実現しながら、ベンチマークタスクにおいて最先端の性能を達成しています。

原著者： Yuxuan Gao, Shiqi Zhang, Yedong Shen, Yifan Duan, Wenhao Yu, Xin Zhang, Siyuan Cao, Jiajun Deng, Yanyong Zhang

公開日 2026-09-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yuxuan Gao, Shiqi Zhang, Yedong Shen, Yifan Duan, Wenhao Yu, Xin Zhang, Siyuan Cao, Jiajun Deng, Yanyong Zhang

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

視覚、言語理解、そして人間のような滑らかな動きを兼ね備えたロボットは、長らく人工知能の夢であり続けてきました。長年、研究者たちは強力な視覚的・言語的理解とロボットアームの制御能力を組み合わせたシステムを構築してきました。「ビジョン・ランゲージ・アクション（視覚・言語・行動）モデル」として知られるこれらのシステムは、ロボットの脳として機能し、カメラが見ているものと人間が話す言葉を取り込み、それをもとにロボットの関節をどのように動かしてタスクを完了させるかを決定します。しかし、ある重大なボトルネックが、これらの機械が真のリアルタイムな応答性を備えることを阻んできました。滑らかな一連の動きを生成するために、これらのモデルは伝統的に、複雑で多段階のプロセスに依存しています。線に沿って一点ごとに小さな、ためらいがちな修正を加えながら完璧な円を描こうとしている場面を想像してみてください。ロボットは経路を計算し、一歩進み、自分の作業を確認し、そしてまた次の一歩を踏み出すというサイクルを、一つの動きに対して何度も繰り返さなければなりません。この手法は高品質な結果を生み出しますが、動作が遅いため、ダイナミックな世界においてロボットを鈍重で反応の遅いものにしてしまいます。

研究チームは現在、ロボットの動きの計画方法を根本的に変え、一瞬のうちに一連の行動全体を生成することを可能にする新しいアプローチを導入しました。彼らの研究の中心である「DriftingVLA」と呼ばれるシステムは、この遅い反復的な修正プロセスを、将来の動き全体を一度に予測することを学習する手法へと置き換えます。実際のタスク中にステップ・バイ・ステップで経路を計算する代わりに、このシステムは、訓練フェーズにおいて、ランダムな開始点から最終的な目的の動きへの直接的なつながりを学習します。この転換により、ロボットは展開時に反復的な計算を完全にスキップし、正しいアクションへと直ちにジャンプすることができます。複雑な操作タスクを含むテストにおいて、この新手法は従来の遅いシステムの精度に匹ullary（匹敵）するだけでなく、ロボットを3倍以上高速化させ、動きの決定にかかる時間を200ミリ秒以上から70ミリ秒未満へと短縮しました。

この画期的な成果の核心は、研究者がロボットに異なる動的部分間の関係をどのように理解させたかにあります。ロボットアームは単一の直線で動くのではなく、前進、回転、グリッパーの開閉など、協調して機能しなければならない複数の関節と自由度を持っています。これらのシステムを高速化しようとするこれまでの試みは、動き全体を一つの大きなブロックとして扱ったり、あるいは時間を極めて小さな断片に分解したりすることがよくありました。しかし、新しいアプローチは、各特定の動きの方向（例えば、グリッパーの垂直方向の持ち上げや手首の回転など）には、それぞれ独自の律動と統計的パターンがあることを認識しました。研究者たちは、「次元別時間的ドリフト（Per-Dimension Temporal Drifting）」と呼ばれる技術を開発し、個々の動きの方向の全履歴を学習すべき独立したユニットとして扱いました。これにより、システムは、異なる動きを単一の硬直した数学的ルールに従わせることなく、グリッパーがどのように開くべきか、あるいは手首がどのように回転すべきかといった具体的なニュアンスを理解することができるのです。

極めて重要な点として、この手法はロボットの肢体の協調能力を犠牲にしません。システムは各動きの方向のパターンを個別に学習しますが、それでもなお、アクションプラン全体を一貫した全体として生成します。言語と視覚を理解するロボットの脳は損なわれることなく、動きを生み出すアクション・エキスパートを導き続けます。多くの「もしも（what-if）」のシナリオに対して同時に予測を洗練させるようシステムを訓練することで、研究者たちは、単一ステップの決定が、遅い多段階計算の結果と同じくらい正確であることを保証しました。これは、液体を容器から別の容器へ注いだり、二つの腕を同期させてブロックを積み上げたりといった繊細なタスクを、以前のモデルを悩ませていた躊躇なしに実行できることを意味します。

研究者たちは、この新しいシステムをシミュレーション環境と実世界の双方でテストし、速度が信頼性を損なわないかを確認しました。物体を拾い上げて配置換えをするような困難なタスクを含む一連のシミュレーションにおいて、新システムは、既存の最高峰の多段階モデルをわずかに上回る、約98.3パーセントの成功率を達成しました。物理的なロボットアームを用いた実世界の環境に移しても、システムはその優位性を維持し、単腕および両腕の協調課題を含む6つのタスクにおいて、77.67パーセントの試行成功率を記録しました。このパフォーマンスは、計算プロセスを単に短縮することで古いシステムを高速化しようとした他のワンステップ手法よりも顕著に高く、それらの手法では精度が大幅に低下してしまうことがよくありました。この新手法は、システムの計算方法ではなく、学習方法を変更することで、速度と精度の両立が可能であることを証明しました。

生の数値を超えて、この研究は反復的な計算ループを取り除くことによる効率性の向上を強調しています。現実の世界では、コンマ数秒の差が重要となるため、新システムは動きのチャンクを生成するために必要な時間を227.61ミリ秒から67.67ミリ秒へと短縮しました。これは3倍以上の高速化を意味し、ロボットを環境から切り離されたように感じさせるラグを事実上排除しました。訓練プロセスでは、複数の「もしも」のシナリオを扱うために多少多くのコンピュータ・パワーを必要としますが、このコストは一度限りの投資です。一度訓練されれば、ロボットは追加のリソースを要求することなく、引き締まったシングルステップの効率性で動作します。この研究は、レスポンシブなロボティクスの未来が、より遅いアルゴリズムを実行するために高速なコンピュータを構築することにあるのではなく、アルゴリズム自体を本質的に直接的かつ即時的なものへと再設計することにあることを示しています。

技術要約: DriftingVLA

問題提起

従来のVision-Language-Action (VLA) モデル、特にフローマッチング（例： $\pi_0$ , $\pi_{0.5}$ ）に基づくモデルは、表現力豊かで連続的なアクションチャンクを生成することに長けている。しかし、これらは推論時に学習されたベクトル場からアクションを復元するために、反復的な数値積分に依存している。このプロセスは、アクションエキスパートの複数回のネットワーク関数評価（例：10 NFE）を必要とし、リアルタイムのオンラインロボット制御を妨げる大幅なレイテンシを導入する。

最近では、蒸留（例：SnapFlow）を通じてこれらのポリシーを加速させたり、単一ステップ予測のためにフロー定式化を適応させたり（例：MeanFlowVLA）する試みが行われているが、これらの手法は依然として推論時の輸送プロセスに由来していることが多い。展開時には反復的な精緻化や数値ソルバーに依存することなく、単一のフォワードパスで完全なアクションチャンクを生成できる、ネイティブなワンステップVLAが必要とされている。同時に、マルチステップのフローポリシーが持つ高い制御性能も維持する必要がある。

手法

著者らは、分布の精緻化の負担を推論時の積分から、分布ドリフティング（Distribution Drifting）を用いた学習時の最適化へと転換するフレームワークであるDriftingVLAを提案する。

1. 分布ドリフティングによるネイティブ・ワンステップ生成

時間経過とともに積分される速度場 $v_\theta$ を学習するフローベースのモデルとは異なり、DriftingVLAはガウスノイズから完全なアクションチャンクへの直接的なマッピング $f_\theta$ を学習する。

学習目的関数: モデルは**ドリフトベース・ポリシー（DBP）**の定式化を利用する。学習中、与えられたコンテキスト $c_t$ に対して、モデルは独立した潜在サンプルから $G$ 個の兄弟（sibling）アクションチャンクを生成する。「ドリフト場」は、デモンストレーションされた軌跡への引き寄せと、生成された兄弟サンプルからの反発を用いて構築される。
最適化: 推論時にドリフト場を反復的に適用する代わりに、修正はストップグラディエント回帰目的関数を介してジェネレータのパラメータに吸収される。一度学習が完了すれば、ポリシーは単一のフォワードパス $\hat{A}_t = f_\theta(Z_t, c_t)$ （ここで $Z_t$ は単一のノイズサンプル）を実行する。
アーキテクチャの適応: DriftingVLAは $\pi_{0.5}$ の学習済みマルチモーダルバックボーン（VLM）を保持するが、アクションエキスパートは新たに初期化される。アクションエキスパートは、フロー速度を予測するのではなく、ノイズをアクションチャンクへ直接マッピングするように再学習される。VLMとアクションエキスパートは共同でポストトレーニングされ、冗長な計算を避けるためにマルチモーダルなコンテキストは兄弟サンプル間で共有される。

2. 次元別時間的ドリフティング (Per-Dimension Temporal Drifting: PDTD)

VLAに対して分布ドリフティングを拡張する際の重要な課題は、アクションチャンク $A \in \mathbb{R}^{H \times D}$ （ $H$ は時間ホライゾン、 $D$ はアクション次元）の幾何学をどのように定義するかである。

既存の手法の限界:
- チャンク単位のドリフティング (Chunk-wise Drifting): 全体のチャンクをフラット化し、異種のアクションチャネル（例：移動、回転、グリッパー）を単一の幾何学に混合してしまう。これにより、ある次元のスケールが他の次元のドリフト信号に影響を与えるクロスチャネル干渉が発生する。
- ステップ単位のドリフティング (Step-wise Drifting): 各タイムステップを独立して扱い、個々のアクションチャネルの時系列的な軌跡を断片化させてしまう。
PDTDによる解決策: 著者らは、**次元別時間的ドリフティング（PDTD）**を導入する。これは、各個別の一次元アクションチャネルの完全な時間的軌跡（ $A_{:,d} \in \mathbb{R}^H$ $A_{:, d} \in R^{H}$ ）を、独立したドリフトユニットとして扱うものである。
- 幾何学: ドリフト統計量（距離スケール、親和性、力）は、各アクション次元 $d$ に対して独立して計算される。
- 共同生成: 決定的な点として、PDTDは学習時の幾何学のみを分解し、ジェネレータ自体は分解しない。共有VLAモデルは依然としてフルサイズ $H \times D$ のチャンクを共同で生成し、協調制御に必要なクロス次元の依存関係を保持する。

主な貢献

ネイティブ・ワンステップVLA: 学習済みのフローベースVLAに対する、ネイティブなドリフトベース生成の拡張。これは、学習済みのマルチモーダルバックボーンを保持しつつ、アクションインターフェースを直接的な条件付きジェネレータとして再学習することで達成され、展開時における数値積分やフロー軌道の蒸留の必要性を排除する。
次元別時間的ドリフティング (PDTD): 異なるアクション次元の独特な制御セマンティクスと分布特性を尊重する、アクションチャンク・ドリフティングのための新しい構成。PDTDは、完全なチャンネルごとの時間的軌跡を保持しつつ、異種チャネルの幾何学を分離することで、チャンク単位およびステップ単位のアプローチを凌駕する。
包括的な評価: シミュレーションベンチマーク（LIBERO, RoboTwin 2.0）および6つの実世界でのシングルアームおよびデュアルアーム操作タスクにおける広範な評価を行い、ネイティブなワンステップ生成が、イテレーティブなフローポリシーと同等以上の性能を発揮しつつ、レイテンシを大幅に削減できることを実証した。

実験結果

シミュレーション性能:
- LIBERO: DriftingVLAは**98.32%**の総合成功率を達成し、オリジナルの10-NFE $\pi_{0.5}$ （97.10%）およびワンステップのベースラインであるSnapFlow（97.48%）を上回った。
- RoboTwin 2.0: DriftingVLAは**81.09%**に達し、10-NFE $\pi_{0.5}$ を1.51ポイント、SnapFlowを2.56ポイント上回った。特筆すべきは、標準的な $\pi_{0.5}$ ポリシーの標準的なワンステップ・トランケーション（切り捨て）では63.76%まで低下したことであり、これはネイティブな学習の必要性を浮き彫りにしている。
実世界での性能:
- 6つの実世界タスク（シングルおよびデュアルアーム）において、DriftingVLAは**77.67%**の成功率を達成し、 $\pi_{0.5}$ （74.22%）や他のワンステップベースラインを大幅に上回った。
- PDTDは、シミュレーションおよび実世界の環境の両方において、チャンク単位およびステップ単位のバリアントを一貫して上回った。
効率性:
- レイテンシ: ネイティブなワンステップ生成により、アクションチャンクのレイテンシは227.61 ms（10-NFE）から67.67 msへと、3.36倍高速化された。
- 学習オーバーヘッド: 兄弟サンプル数（ $G$ ）を2から8に増やしても、共有コンテキスト・サンプリング設計により、学習GPU時間はわずか3.78%、ピークメモリは**9.54%**の増加にとどまった。

意義

本論文は、制御性能を損なうことなく、展開ループから反復的なアクション精緻化を取り除くことができることを示している。分布ドリフティングを通じて分布精緻化を学習フェーズへと移行し、次元別の時間的幾何学を利用することで、DriftingVLAはネイティブなワンステップ展開を実現する。このアプローチは、フローベースVLAのレイテンシのボトルネックを解消すると同時に、複雑なロボット操作に必要な表現力と協調能力を維持し、リアルタイムで高性能なロボット制御への実行可能な道筋を提示している。