視覚・言語・行動（VLA）モデルは、視覚認識、言語理解、行動生成を統合し、ロボット制御などの分野で従来の制御パラダイムを超える柔軟性と汎化能力を実現しています。しかし、既存のほとんどのVLAモデルは単一フレーム観測のパラダイムで訓練されているため、時間的ダイナミクスに対して構造的に盲目です。その結果、移動プラットフォームや動的環境などの非定常シナリオでは、動的データセットで訓練または微調整された場合でも、モデルの性能は大幅に低下します。既存のアプローチは、高価な再訓練を必要とするか、レイテンシボトルネックやアクションチャンク間の時間的一貫性の低下に悩まされています。
この問題に対処するため、中国科学院などの研究チームは、トレーニング不要の閉形式推論演算子「Pace-and-Path Correction」を提案しました。この演算子は、任意のチャンク化されたアクションを持つVLAモデルに適用可能です。その核心は、単一の二次コスト関数に基づき、共同最小化によって統一解を導き、それを直交分解して2つのチャネルを得ることにあります。ペースチャネルは計画方向に沿った実行を圧縮し、パスチャネルは直交する空間オフセットを適用します。これらのチャネルが協調して、チャンクウィンドウ内で知覚されたダイナミクスを吸収します。
研究チームは、運動を唯一の制御変数として分離した診断ベンチマークMoveBenchを設計し、提案手法を評価しました。実験結果は、提案フレームワークが最先端のトレーニング不要ラッパーや動的適応手法を一貫して上回り、基礎VLAモデルと比較して、純動的環境で最大28.8%、静的・動的混合環境で25.9%の絶対成功率向上を示しました。さらに、この手法はモデルの再訓練を必要としないため、計算資源が限られたアプリケーションにも適しています。従来の動的適応手法は追加の訓練や複雑なネットワーク変更を必要としましたが、Pace-and-Path Correctionは軽量な閉形式演算子のみで動的補償を実現し、導入コストを大幅に削減します。また、複数の異なるVLAモデルで一貫した改善が見られ、良好な汎化能力を示しています。今後の研究では、より複雑な動的環境への拡張や、他の知覚モジュールとの統合が期待されます。この成果は、VLAモデルを現実世界の非定常シナリオに展開するための効率的で低コストな新たな道を開くものです。