- OpenVLAは画像と自然言語の指示から動作を生成する、70億パラメータの公開ロボットモデルだ。
- 二種類の実機での比較では、閉じたRT-2-Xより全体の成功率が高いと報告した。ただし、環境ごとの差と訓練データ量を併記する必要がある。
- 追加学習や量子化の結果は、主評価より小さい構成の別版モデルで測られている。
何を確かめた研究か
ロボットを新しい作業へ適応させるには、個々の作業ごとに動作を学習し直す方法と、幅広い実演から学んだモデルを調整する方法がある。OpenVLAの論文は、画像と文章の指示を入力し、ロボットの動作を出力する公開モデルを提示した。Llama 2を基に、DINOv2とSigLIPの画像特徴を組み合わせ、実機の約97万本の動作軌跡で訓練した。
重要なのは「公開されている」ことだけではない。異なるロボットでそのまま動くのか、新しい作業の少量データで調整できるのか、操作の遅延が動作を壊さないかを分けて見なければならない。論文はこの三つにそれぞれ実験を用意した。
どう検証したか
そのまま使う評価では、WidowXを用いたBridgeData V2の17課題で各10回、Googleの移動型ロボットの12課題で各5回を実行した。比較手法はRT-1-X、RT-2-X、Octo。各手法で同じ作業と初期状態を使うA/B比較だ。成功率は、物体の見た目、位置、指示の意味など条件の違いごとにも示した。
新しい環境への適応ではFrankaのロボットアームを対象に、追加学習したOpenVLAと、ゼロから学習するDiffusion Policy、追加学習したOctoなどを比較した。さらに低ランク適応による追加学習と、推論時の重みの量子化も調べた。ただし後者の費用実験は、画像エンコーダと訓練データの組成を簡略化した別版のOpenVLAを使う。主評価の70億モデルに数字を無条件で移せない。
何が分かったか
第3版の要旨は、29課題を通算したOpenVLAの成功率がRT-2-Xより16.5ポイント高いと報告する。本文の図3・4を見ると、WidowXではOpenVLAが大きく上回る一方、Googleロボットでは同程度だ。意味的な一般化の一部ではRT-2-Xが上回る。OpenVLAの訓練軌跡は約97万本、RT-2-Xは約35万本で、差をモデル構造だけの効果とは説明できない。
Frankaへの適応実験では、単一指示の狭い作業でDiffusion Policyが競争力を示し、複数物体と指示を含む作業でOpenVLAの利点が大きかった。小さな構成による表1では、LoRAの追加学習成功率68.2%に対し全面学習69.7%で、学習対象パラメータは約1.4%だった。表2では4ビット推論の成功率71.9%がbfloat16の71.3%に近く、使用メモリは16.8GBから7.0GBになった。一方、8ビットでは推論が遅くなり、成功率が58.1%に下がった。
限界は何か
論文の§6は、現在のOpenVLAが単一画像の観測しか扱わず、触覚や身体状態、観測履歴を入力できない点を挙げる。高い制御周波数が必要な作業にも推論速度が不足する。評価した課題の成功率も一般に90%未満で、失敗が許されない作業へそのまま投入できる水準とは言えない。
追加学習と量子化の数字は、選ばれたロボット・課題・GPUと簡略化モデルに依存する。量子化でメモリが減っても、制御周期が遅くなれば成功率が落ちる。モデルサイズやパラメータ数だけで現場の性能を予測しない。
仕事との接点
実機への導入を検討するなら、自社の物体、照明、指示、失敗からの回復を含む試験を組む。成功率とともに動作の頻度、遅延、追加学習に要る実演本数とGPU費用を記録する。これは論文の実験設計から導くTRAIL編集部の評価提案であり、論文が製造現場での安全性や導入効果を証明したわけではない。