VLANeXtが統一VLA研究基盤へと拡張、世界モデルと潜在アクション事前学習を網羅

VLANeXtチームは8月31日、ライブラリの大規模アップグレードを発表した。もともと視覚—言語—アクション（VLA）モデルの設計を分解して検証するための研究コードだったものを、複数のロボット学習アプローチを比較できる統一基盤へと拡張した。新版はWorld Action Model、潜在アクションの事前学習とファインチューニング、JEPA系の世界モデリング、小規模VLA、言語—アクション学習、追加のデータ形式、並列評価をサポートする。原論文のバージョンは`VLANeXt-ori`ブランチに残されており、新たな抽象化レイヤーが既存結果の再現手順を損なわないよう配慮されている。

VLANeXtの設計思想は、同一の学習・評価条件の下で、VLAシステムにおいて混同されやすい選択肢を切り分けることにある。チームが整理した12のレシピには、VLMと専用policy moduleの役割分担、action chunkの一括予測、離散tokenではなく連続値によるアクション表現、より強力な視覚言語バックボーンの採用、VLMとpolicy間の柔軟な接続、ロボットのproprioception（固有感覚情報）を条件に加えることなどが含まれる。過去フレームは必ずしも安定した性能向上につながらない。世界モデルは有効な可能性がある一方で、計算量を大幅に増加させる。これらの選択肢は共通の設定とデータパイプライン上で切り替えられるようになり、個別論文のライブラリを一つずつつなぎ合わせる方法よりもアブレーション実験に適している。

公式発表によると、カメラ、照明、背景、言語表現の書き換え、ロボット状態、シーン構成に摂動を加えたLIBERO-plusにおいて、VLANeXtの平均成功率は83.9%で、OpenVLA-OFTの69.6%を上回った。学習には再整理・フィルタリング済みのMolmoAct2-DROIDデータを使用でき、評価はLIBEROとLIBERO-plusに対応する。

今回のアップデートの重要性は、ランキング上の順位だけでなく、研究インフラにある。単一の基盤を使うことで、データ処理、policy head、評価スクリプトの差異によって生じる比較上のバイアスを抑えられる。ただし、これらの数値は作者の設定下で得られたものであり、データの再整理も公平な比較に影響する可能性がある。LIBEROでの成功率を、実環境のロボットアームにおける安全性、長期信頼性、ハードウェア間の汎化性能と直接同一視することはできない。導入を検討する際には、このプロジェクトがNTU S-Lab Licenseを採用しており、商用利用についてApache 2.0と同等であるとみなすべきではない点にも注意が必要だ。