FD-VLA: 接触が多い操作のための力蒸留視覚-言語-アクションモデル

要約: 力覚センサは Vision-Language-Action (VLA) フレームワークにとって重要なモダリティであり、接触の多いタスクにおいて細かな知覚と器用な操作を可能にします。 Force-Distilled VLA（FD-VLA）を提案します。これは、実際の力センサーに依存せず、接触の多い操作へ力の認識を統合する新しいフレームワークです。 アプローチの核は Force Distillation Module（FDM）であり、視覚観察とロボット状態に条件づけられた学習可能なクエリ・トークンを、実際の力信号の潜在表現と整合する予測力トークンへマッピングすることによって力を蒸留します。 推論時には、この蒸留された力トークンを事前学習済みのVLMへ注入することで、力を意識した推論を可能にしつつ、ビジョン-言語セマンティクスの整合性を保ちます。 この設計は二つの主要な利点を提供します：第一に、高価で壊れやすい力-トルクセンサーを欠く幅広いロボットに対して実用的な展開を可能にし、ハードウェアコストと複雑さを低減します；第二に、FDMはVLMに先行する追加の力-視覚-状態融合を導入し、モーダル間の整合性を向上させ、接触の多い状況での知覚-行動のロバスト性を高めます。 驚くべきことに、私たちの物理実験は、蒸留された力トークンが直接のセンサ力測定および他のベースラインを上回ることを示しており、この力蒸留VLAアプローチの有効性を際立たせています。