視覚-言語-行動（VLA）モデルはロボット制御において重要性を増しており、特に多段階の行動を予測する「チャンク化」ポリシーが注目されている。これらのポリシーは各更新時に現在の視覚観測のみに基づいて行動シーケンスを生成する。しかし、ロボットの行動自体が接触、遮蔽、物体の移動を引き起こし、次の視覚更新が到着する前に後続の意思決定が依存する幾何関係が変化してしまう。空間VLAは現在フレームの幾何認識を改善し、時間VLAは過去フレームを集約するが、どちらも行動チャンク間にわたって行動更新済みのシーンプライアを維持しない。
この問題に対処するため、研究者らはEvoScene-VLAを提案した。中心となるアイデアは、連続する制御呼び出し間で永続的な行動更新済みシーン状態を保持することである。具体的には、再帰的シーンプレフィックスがチャンク間で幾何認識シーン状態を運ぶ。視覚-言語モデル（VLM）が呼び出されるたびに、現在の観測からのシーン情報と前のチャンクからの行動更新済みプライアを組み合わせる。行動デコーダは次の行動チャンクとコンパクトなシーン更新の両方を出力する。この更新が次のプライアとなり、次のVLM呼び出し時に新しい観測に照らして修正される。したがって、各制御呼び出しは最近の行動と新鮮な視覚証拠の両方を反映したシーンプライアから開始される。
訓練段階では、Scene Predictorが将来のシーントークン目標を提供し、Geometric Anchorがシーンスロットを凍結された深度および3D教師モデルと整列させる。これらのモジュールは展開時には破棄され、推論コストは増加しない。
実験では、31のRoboTwinタスクで評価が行われた。固定評価設定では平均成功率が87.2%から89.1%に向上し、ランダム化評価設定では86.1%から88.5%に向上した。さらに、Galaxea R1-Lite実機ロボットプラットフォームでは、EvoScene-VLAは全ベースライン手法を上回る性能を示した。
本論文は2026年5月21日に提出され、Chushan Zhangら6名による共著で、ロボティクス（cs.RO）と人工知能（cs.AI）の学際領域に属する。この研究は、チャンク化ロボット制御において行動更新済みシーンプライアを維持することの重要性を強調し、今後の研究に新たな方向性を示すものである。