タグ：視覚言語行動モデルにおける安定した対象中心推論のためのターゲット非依存ガイダンス

概要: Vision--Language--Action（VLA）ポリシーは、言語指示と視覚観測をロボットの行動へ対応付ける点で強い進展を示してきましたが、注意をそらす要素（ディストラクタ）を伴う雑然としたシーンでは信頼性が低下します。失敗事例を分析すると、多くの誤りは実行不可能な運動から生じるのではなく、インスタンス単位のグラウンディング失敗に起因していることが分かります。すなわち、ポリシーはしばしばもっともらしい把持軌道を生成しますが、それが目標からわずかに外れて着地したり、さらには誤った物体のインスタンスに着地したりします。この問題に対処するため、我々はTAG（Target-Agnostic Guidance）を提案します。TAGは、VLAポリシーにおけるディストラクタや外観（appearance）に誘発されるバイアスを推論時に明示的に低減する、シンプルな推論時ガイダンス機構です。分類器なしガイダンス（CFG）に着想を得て、TAGは元の観測と、物体が消去された観測（object-erased observation）下でのポリシー予測を対比させ、それらの差分を残差ステアリング信号として用います。これにより、意思決定プロセスにおける物体証拠の影響を強めます。TAGはポリシーのアーキテクチャを変更する必要がなく、最小限の学習および推論の変更で、既存のVLAポリシーに統合できます。TAGを標準的なマニピュレーションのベンチマーク、LIBERO、LIBERO-Plus、VLABenchにおいて評価したところ、雑然とした状況での頑健性が一貫して向上し、ニアミスや誤った物体インスタンスへの実行が減少することを確認しました。