ロボティクスにおけるビジョン・言語・行動（VLA）：データセット、ベンチマーク、データエンジンの調査

要旨: Vision--Language--Action（VLA）モデルにおける目覚ましい進展にもかかわらず、中心的なボトルネックはいまだ十分に検討されていません。それは、体を備えた学習を支えるデータ基盤です。本調査では、VLAの今後の発展はモデルのアーキテクチャよりも、高忠実度なデータエンジンと、構造化された評価プロトコルの共同設計に依存する度合いが大きいと主張します。そこで本稿では、VLA研究を「データセット」「ベンチマーク」「データエンジン」の3つの柱に整理した、体系的でデータ中心の分析を提示します。データセットについては、身体性の多様性、モダリティ構成、行動空間の定式化に基づいて、現実世界および合成コーパスを分類し、大規模収集を本質的に制約する、持続的な忠実度とコストのトレードオフを明らかにします。ベンチマークについては、タスクの複雑性と環境構造を共同で分析し、既存のプロトコルでは対処できていない、構成的汎化と長期ホライズンの推論評価における構造的な欠落を示します。データエンジンについては、シミュレーションベース、動画再構成、自動タスク生成というパラダイムを検討し、それらが身体的実在への根拠付け（physical grounding）とsim-to-real転移に関して共有している限界を特定します。これらの分析を統合することで、未解決の課題を4つに要約します。すなわち、表現の整合、マルチモーダルな監督、推論の評価、スケーラブルなデータ生成です。これらに取り組むには、データ基盤を背景の懸念としてではなく、第一級の研究課題として扱う必要がある、と私たちは論じます。