AnySlot: ゼロショットのスロット単位配置のための、目標条件付き視覚言語行動ポリシー

Abstract

Vision-Language-Action（VLA）ポリシーは、汎用ロボットマニピュレーションのための多用途なパラダイムとして登場してきました。しかし、合成的な言語指示のもとで物体を正確に配置することは、現代のモノリシックVLAポリシーにとって依然として大きな課題です。スロットレベルのタスクでは、信頼できるスロットのグラウンディングと、サブセンチメートル級の実行精度の両方が必要になります。そこで本研究では、AnySlotというフレームワークを提案します。これは、言語のグラウンディングと制御の間に、明示的な空間ビジュアルゴールを中間表現として導入することで、合成の複雑さを低減します。AnySlotは、シーンマーカーを生成することで言語を明示的な視覚ゴールへと変換し、その後、ゴール条件付きのVLAポリシーでこのゴールを実行します。この階層的設計により、高レベルのスロット選択から低レベルの実行を効果的に切り離し、意味的な正確さと空間的な頑健性の両方を保証します。さらに、こうした精度を要求するタスクに対する既存ベンチマークが欠けていることを踏まえ、本研究では、スロットレベル配置における構造化された空間推論を評価するために調整された9つのタスクカテゴリを備えた包括的なシミュレーションベンチマークであるSlotBenchを導入します。大規模な実験の結果、AnySlotは、フラットなVLAベースラインおよび従来のモジュール型グラウンディング手法に比べて、ゼロショットのスロットレベル配置において大幅に優れた性能を示します。