AnchorVLA: 効率的なエンドツーエンドのモバイルマニピュレーションのためのアンカー付き拡散

要旨: モバイル操作（モバイル・マニピュレーション）における中心的な課題は、実行中に反応性を維持しつつ、複数のもっともらしい行動モデルを保持することです。散らかったシーンに置かれたボトルは、多くの場合、複数の有効な方法で近づき、把持できます。堅牢な挙動には、シーンが変化していく中でも反応性を保ちながら、この行動の多様性を維持することが重要です。拡散ポリシーが魅力的なのは、単一の解に崩壊するのではなく、多峰性の行動分布をモデル化できるためです。しかし実際には、制御時に完全な反復的デノイズ（ノイズ除去）を行うことはコストが高くつきます。アクションのチャンク化は推論を償却（ならし）するのに役立ちますが、部分的なオープンループ挙動も生み出し、小さな不一致が蓄積してドリフトにつながります。本稿では、もっともらしい解のマニフォールド近傍からサンプリングを開始する場合、多様で有効な行動を取り戻すのに広範なデノイズは不要である、という中核的な洞察に基づく、モバイル操作のための拡散ベースのVLAポリシーであるAnchorVLAを提案します。AnchorVLAは、軽量なVLA適応バックボーンと、アンカー軌道の近傍で打ち切り拡散スケジュールにより局所的にデノイズを行うアンカー付き拡散アクションヘッドを組み合わせています。これにより、推論コストを抑えつつ、クローズドループ制御における多様な行動生成を維持します。重要な点として、チャンク化によって生じるドリフトを緩和するために、軽量な残差補正モジュールによるテスト時セルフコレクション機構を導入します。これにより、ロールアウト中に高頻度の、ステップごとの調整を行います。多様なモバイル操作タスクにおいて、AnchorVLAは擾乱や分布シフト下で成功率と安定性を向上させながら、低遅延の推論を維持します。ソースコードは https://github.com/jason-lim26/AnchorVLA で公開されています。