π、でも飛べるように：物理に導かれたVLAモデルの空中マニピュレーションへの転送

要旨: pi_0 のような Vision-Language-Action（VLA）モデルは、多様な固定基台マニピュレータにわたって驚くべき汎化を示してきました。しかし、これらの基盤モデルを航空プラットフォームへ移植することは、固定基台アームの準静的ダイナミクスと、飛行の非制動（アンダーアクチュエイテッド）かつ非常に動的な性質との間に本質的な不一致があるため、いまだ解決されていない課題です。本研究では、操作の事前学習済み VLA を航空のピックアンドプレース課題へ移すことの可搬性（transferability）を調査するシステム AirVLA を提案します。視覚表現は効果的に転移する一方で、飛行に必要な特定の制御ダイナミクスは転移しないことを見出しました。基盤モデルの再学習なしでこの「ダイナミクスギャップ」を埋めるために、Payload-Aware Guidance（荷物を考慮したガイダンス）機構を導入します。これは、荷物制約を方策のフローマッチングに基づくサンプリング過程へ直接注入します。データ不足を克服するために、さらに Gaussian Splatting パイプラインを用いてナビゲーションの訓練データを合成します。本手法を、累積 460 回の実世界実験によって評価し、この合成データが性能の重要な実現要因であることを示します。具体的には、遠隔操作データのみに直接微調整を行った場合に達する 81% の成功率に対し、ナビゲーション課題では 100% の成功を可能にします。推論時の介入である Payload-Aware Guidance により、実世界のピックアンドプレース課題の成功率は 23% から 50% へと向上します。最後に、長いホライズンの構成的タスクに対してモデルを評価し、全体の成功率 62% を達成しました。これらの結果は、適切なデータ拡張と物理に基づくガイダンスを伴えば、事前学習済みの操作 VLA は、航空での操作・ナビゲーション、ならびにこれらの課題の組み合わせへと転移可能であることを示唆しています。