近年、視覚-言語-行動（VLA）モデルはロボット操作において有望な成果を示しているが、既存のポリシーの多くは現在の観測から直接行動を回帰する反応的な動作に留まり、将来の動力学を明示的にモデル化していない。このため、分布外の摂動に対する汎化能力が制限されている。この問題に対処するため、本論文ではELAN4Dを提案する。これは身体性中心の4D認識トレーニングフレームワークであり、将来のロボットキーポイント軌道を予測的な時空間監督として活用することでVLAポリシーを強化する。
ELAN4Dの核心的な革新は、固有受容感覚状態からの順運動学のみを用いて、関節やエンドエフェクタといったロボットキーポイントの3D変位軌道を導出する点にある。この手法は外部トラッカーやシーン再構成を必要とせず、前処理コストはごくわずかである。得られた軌道は、計量的でコンパクトな監督信号を提供する。この4D信号をポリシーに注入するため、著者らは軽量なトラックデコーダを含むプラグアンドプレイ補助分岐を設計した。このデコーダはアクションエキスパートに接続され、勾配分離技術によって事前学習済みの視覚-言語バックボーンを保護する。推論時にはトラックデコーダが破棄されるため、基本ポリシーのインターフェースは変更されず、展開の容易さが確保される。
実験では、ELAN4DをLIBERO、LIBERO-Plus、RoboTwin2.0、および実世界の操作タスクで広範に評価した。その結果、本手法は強力なVLAベースラインを一貫して上回り、カメラの移動、背景の変化、レイアウトの乱れといった分布外シナリオにおいて著しい改善を達成した。これらの結果は、身体性中心の4D監督が、よりロバストで汎化可能な操作ポリシーを構築する上で有効であることを強調している。本論文はロボティクス（cs.RO）に分類され、Zeyuan Heら12名の著者によって2026年5月28日にarXivに投稿された。