概要: 視覚言語アクション（Vision language action, VLA）モデルは汎用のロボットエージェントを可能にしますが、多くの場合言語を無視する挙動が見られ、視覚的な近道に依存し、指示が変わっても鈍感です。そこで本研究では、Prospective Grounding and Alignment VLA（ProGAL-VLA）を提示します。これは、3Dの対象中心グラフ（GSM）を構築し、遅いプランナーによって記号的なサブ目標を生成し、それらをGrounding Alignment Contrastive（GAC）損失により実際に根拠づけられた対象（エンティティ）と整合させます。すべての行動は検証済みの目標埋め込み g_t を条件としており、その注意エントロピーは固有の曖昧性（ambiguity）信号を与えます。LIBERO-Plusにおいて、ProGAL-VLAはロボットへの擾乱に対する頑健性を30.3から71.5パーセントへと向上させ、言語無視を3倍〜4倍低減し、エンティティの検索を0.41から0.71 Recall@1へと改善します。Custom Ambiguity Benchmarkでは、AUROC 0.81（0.52に対して）、AUPR 0.79を達成し、曖昧な入力に対する明確化（clarification）を0.09から0.81へと引き上げます。さらに、曖昧でない場合の成功を損なうことはありません。検証のボトルネックは言語-行動の相互情報量を増大させ、GAC損失は対象レベルのInfoNCEの上界を課し、注意エントロピーは較正された選択的予測をもたらします。これらは、明示的な検証済みのグラウンディングが、指示に敏感で曖昧性を意識したエージェントへの有効な道筋であることを示しています。
ProGAL-VLA：視覚言語行動モデルにおける事前推論によるグラウンディング（根拠付け）アラインメント
arXiv cs.RO / 2026/4/14
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- ProGAL-VLAは、指示の変化に応じて行動が敏感になるようにすることで、汎用ロボットエージェントの「言語無理解（language ignorance）」を解決するための視覚言語行動（VLA）アプローチである。
- この手法では、3Dのエンティティ中心グラフを構築し、遅い（slow）プランナで象徴的なサブ目標を生成し、Grounding Alignment Contrastive（GAC）損失を用いてサブ目標をグラウンディングされた対象（エンティティ）に整合させる。
- 行動は検証済みのゴール埋め込みに基づいて条件付けされ、注意エントロピーを固有の曖昧性シグナルとして用いることで、曖昧性を踏まえた振る舞いを支援しつつ、非曖昧なタスクでの性能低下を抑える。
- LIBERO-Plusでの報告結果では、ロボットの外乱に対する頑健性が大幅に向上（30.3→71.5%）、言語無理解が3〜4倍減少し、エンティティの検索性能も改善（0.41→0.71 Recall@1）した。
- カスタム曖昧性ベンチマークでは、ProGAL-VLAがAUROC 0.81（0.52に対して）およびAUPR 0.79を達成し、曖昧な入力に対する明確化が大きく向上（0.09→0.81）した。さらに、非曖昧な入力では成功を維持している。
