テクノロジー2026/08/28 15:35

ソニーCSL「PredVLA」 68万パラメータ・ロボットデータ事前学習なしの予測符号化方策でLIBERO 86.9%

出典: arXivhttps://arxiv.org/abs/2608.26673公開: 2026/08/27 09:00

原文を読む

3行まとめ

言語条件付きの階層的生成再帰動力学で、視覚特徴と自己受容感覚を予測し、観測は予測誤差のオンライン推論を通じてのみ潜在状態を更新する。学習パラメータは675,732個（0.68M）

LIBEROの短時間3スイート平均86.9%、長時間を含む4スイートで75.4%。同一条件のパラメータ一致Transformer19.7%（3.7倍）、LSTM10.3%（7.4倍）を上回る

OpenVLA（7B）の76.5%は別プロトコルとして参考値に留める。実機実験なし・単一身体・LIBERO分布内の限界を明記し、実機展開は今後の課題

要約

ソニーコンピュータサイエンス研究所（東京）の澤田宏樹と笠原俊一は、ロボット操作に大規模VLAが必要だという前提を問う「PredVLA」を公開した。言語条件付きの階層的生成再帰動力学が視覚特徴と自己受容感覚の両方を予測し、観測は「予測誤差からのオンライン推論」を通じてのみ潜在状態に影響する予測符号化の構成で、学習パラメータは675,732個（0.68M）、ロボットデータでの事前学習は行わない。この機構を切ると開ループ制御になるので、観測が駆動する修正の寄与を切り分けて測れる。

LIBEROの短時間3スイート平均で86.9%、長時間スイートを含む4スイートで75.4%。同一の学習条件でパラメータ数を揃えたTransformer方策（19.7%）の3.7倍、LSTM（10.3%）の7.4倍、行動チャンク型Transformer（16.7%）も上回る。7BのOpenVLAの76.5%は学習プロトコルが異なる参考値として扱う。著者らはシミュレーションのみ・単一身体・LIBERO分布内という限界を明記し、実機展開を今後の課題としている。コード公開の記載はない。数十億パラメータの基盤モデルが並ぶ中で、桁違いに小さいモデルの到達点を示した点が読みどころになる。

#vla #manipulation #japan