CorridorVLA：スパースアンカーによる生成アクションヘッドへの明示的な空間制約

要旨: Vision--Language--Action (VLA) モデルは、多くの場合、マルチモーダル入力と連続制御を結びつけるために中間表現を用いますが、空間的ガイダンスはしばしば潜在特徴を通じて暗黙に注入されています。そこで我々は CorridorVLA を提案します。これは、例えば Delta-positions のような、漸進的な物理的変化として疎な空間アンカーを予測し、それらを用いて行動生成の学習目的における明示的な許容領域を課します。このアンカーは回廊（コリドー）を定義し、フローマッチング（flow-matching）型の行動ヘッドを導きます。回廊の外に入ってしまうような、暗に示された空間的な進展をもつ軌道は是正の勾配を受ける一方、接触時および実行ノイズによる小さな逸脱は許容されます。より難しい LIBERO-Plus ベンチマークにおいて、CorridorVLA は SmolVLA と GR00T の両方で一貫した向上を示し、対応するベースラインに対して成功率を 3.4%--12.4% 改善します。特に、我々の GR00T-Corr 変種は成功率 83.21% を達成します。これらの結果は、行動整合的な物理的手がかりが、視覚や潜在表現に符号化された空間ガイダンスを補完しつつ、生成型行動ポリシーに対して直接的で解釈可能な制約を提供しうることを示しています。コードは https://github.com/corridorVLA で公開されています。