テクノロジー2026/08/27 19:28

香港大『StreamPI』、パラメータを増やさずVLAに時間的推論を足す実機4タスクでπ0.5を最大36.6ポイント上回る

出典: arXivhttps://arxiv.org/abs/2608.26067公開: 2026/08/26 09:00

原文を読む

3行まとめ

観測画像と言語指示の対を原子単位とし、対内は双方向注意でクロスモーダル融合、対間は因果注意で自己回帰。追加パラメータなしで単一フレームVLAに時間的推論を加える

ランダム間隔のストリーミング学習で非同期の実機展開に耐え、LLM主幹の長さ外挿を使って単一フレーム・複数フレームの推論を切り替えられる

LIBERO平均98.3%（π0.5は96.9%）。AgileX PiperX双腕の実機4タスクでシェルゲーム80.0%対46.7%、転がる物体の把持63.3%対26.7%など

要約

香港大学とACE Roboticsの研究者は、単一フレームのVLAに時間的推論を加える枠組み「StreamPI」を発表した。観測画像と言語指示の対を原子単位として扱い、対の内側では双方向注意でクロスモーダルに融合し、対の間では因果注意で自己回帰的に推論する。学習ではフレーム間隔をランダムにするストリーミング戦略を取り、実機の非同期な観測到着に耐えるようにした。LLM主幹が持つ長さ外挿の性質を利用し、同じモデルで単一フレーム推論と複数フレーム推論を切り替えられる。追加パラメータは無い。

評価はLIBEROの4スイートで平均98.3%（π0.5は96.9%）、特にLIBERO-Goalで99.6%対96.8%、LIBERO-Longで95.0%対92.4%。実機はAgileX PiperX 6自由度アームのAloha型双腕構成で、記憶が要るシェルゲーム80.0%対46.7%、転がる物体の把持63.3%対26.7%、細いボトルへのペン挿入66.7%対40.0%、カップスリーブへの挿入92.0%対60.0%だった。記憶依存と精密知覚の場面で差が開く。3月にPhysical Intelligenceが長短期記憶付きVLAを出したのと同じ課題に、注意の構造だけで応じている。

#vla #manipulation