ノイズから意図へ：残差ブリッジで生成VLAポリシーをアンカーする

要旨: 身体化知能において、概念レベルの意味理解と低レベルの物理的制御を橋渡しすることは、認知と行動の間にある基本的な時空間スケールの不一致に起因する、継続的な課題である。既存の生成型VLAポリシーは典型的に「Noiseからの生成（Generation-from-Noise）」というパラダイムを採用しており、この不一致を無視しているため、表現の効率が悪くなり、最適化中の条件整合も弱くなる。本研究では、このパラダイムを「意図からの洗練（Refinement-from-Intent）」へと切り替えるアーキテクチャ ResVLA を提案する。ロボットの運動は自然に大域的な意図と局所的なダイナミクスへと分解できることを踏まえ、ResVLA はスペクトル解析を用いて制御を決定論的な低周波アンカーと、確率的な高周波残差にデカップルする。生成過程を予測された意図に固定することで、我々のモデルは残差拡散ブリッジを通じて局所的ダイナミクスを厳密に洗練することに専念する。大規模なシミュレーション実験の結果、ResVLA は標準的な生成ベースラインに比べて、競争力のある性能、言語およびロボット身体性に対する頑健性の高さ、そしてより速い収束を達成することが示された。さらに、実世界のロボット実験においても強い性能を示す。