人間-ロボット協調（HRC）は、人間とロボットの相補的な強みを組み合わせてタスク効率を向上させることを目指す。しかし、既存の協調システムの多くは手作業で設計されたパイプラインに依存しており、新しいタスクへの拡張性と柔軟性が制限されている。これに対し、Leo Xuらによる最近の論文では、模倣学習でエンドツーエンドに訓練されたモデル、特に視覚-言語-行動（VLA）モデルが協調的な操作をサポートできることを示し、実世界での性能に影響を与える要因を体系的に分析した。
研究チームは2つの最先端VLAモデルを評価し、暗黙的なHRCにおけるアクションチャンキングポリシーの失敗モードを特定した。暗黙的な協調とは、ロボットが明示的な指示に頼らず、人間の行動からタスクの意図を推測する必要がある状況を指す。彼らは、デモンストレーションアクションのリーケージ、すなわち潜在的なタスク遷移をまたぐアクションチャンクが、ロボットの早すぎる支援行動を引き起こすことを発見した。例えば、人間がまだ準備できていないのにロボットが工具を渡そうとするケースである。この問題は実行 Horizon が長くなるにつれて悪化し、実際の協調VLAシステムでも発生する。
この失敗モードを緩和するため、著者らは推論時のステアリング手法を提案する。この手法は推論段階でポリシーに介入し、誤った支援行動を抑制しながら元のポリシー性能を維持する。モデルを再訓練するのではなく、既存のシステムに直接適用できる点が特徴である。
最後に、16名の参加者を対象とした長期的な協調組立タスクのユーザー研究を実施した。その結果、ステアリングを有効にすると、ロボットはより長い実行 Horizon を採用しつつ早すぎる支援行動を効果的に減らし、協調の速度が向上し失敗回数が減少することが示された。一方、短い Horizon のポリシーは早すぎる支援を減らせるものの、全体的な協調効率は低かった。この発見は、長期的な計画とタイムリーな応答のバランスを取る上での推論時ステアリングの可能性を浮き彫りにし、より自然で効率的な人間-ロボット協調システムの構築に新たな道を開くものである。