無人航空ロボティクスと両腕操作のための視覚言語行動（VLA）モデル：レビュー

視覚言語行動（VLA）モデルは、視覚認識、自然言語理解、行動生成を単一の基盤モデルに統合するフレームワークである。インターネット規模の事前学習により獲得した世界知識を活用し、ロボットはカメラ画像から「タオルを折る」や「赤い建物に飛ぶ」といった指示を直接実行できる。近年、VLAは学習ベースの操作における支配的なパラダイムとなり、両腕協調は最も困難なテストベッドとして機能している：各7自由度の2つのアームが連携して折り畳み、組み立て、物体の向きを変える必要がある。

無人航空ロボティクスも構造的に類似した課題に直面している：ドローンは厳格な遅延とペイロード制約の下、視覚観測から推力、姿勢、そしてますます増加するグリッパー指令を調整しなければならない。本レビューは2017年から2026年までの183件の貢献を7つの次元に沿って整理している：VLAアーキテクチャ、トレーニング手法、行動表現、両腕協調（2022-2026年）、無人航空機（UAV）ナビゲーションと制御（2017-2026年）、言語基盤、そして記憶と世界モデルを含む横断的課題である。

研究チームは、両腕VLA向けに開発された協調戦略、トレーニング手法、行動表現が無人航空システムに転用可能であることを実証し、両ドメインにわたる14の研究課題を特定した。これらの知見は、操作タスクと無人システムの融合に向けた包括的なロードマップを提供する。具体的には、VLAアーキテクチャはエンドツーエンド学習とモジュール設計を含み、トレーニング手法は事前学習、ファインチューニング、模倣学習を網羅する。行動表現は関節角度からタスク空間軌道まで多岐にわたる。両腕協調のセクションでは協調制御、衝突回避、タスク割り当て戦略が要約され、UAVセクションでは視覚ベースのナビゲーション、制御、把持に焦点が当てられている。言語基盤は自然言語命令をロボット行動にマッピングする方法を探求し、記憶と世界モデルは長期的な計画と推論に使用される。2つの領域の比較を通じて、著者らは双方向の技術移転の可能性を示している。例えば、両腕把持戦略は空中把持に応用でき、UAVの効率的な航法アルゴリズムは移動マニピュレータの経路計画に活用できる。このレビューは既存研究の総括であると同時に、今後の研究の指針となる。