TL;DR
CompVLAは、RGB画像と言語からロボットの動きに加えて方向別の剛性と仮想変位を予測し、接触時に柔らかく動きつつ必要な力を出せるようにするVLAです。予測値は幾何インピーダンス制御で実行され、接触の多い3タスクで既存VLAより平均成功率が高いと報告されています。一方、評価は特定ハードウェアと限られたタスクに留まり、提示本文だけでは数値や汎用性の詳細は限定的です。
既存手法との違い
原論文では、通常のVLAおよびコンプライアンスを考慮したVLAベースラインと比較しています。比較には、6軸力を入力するForceVLAと、関節トルクを入力し補助出力にも使うTA-VLAが含まれます。VTLA（触覚画像）とForceVLA2（目標レンチを併用するハイブリッド力位置制御）は、触覚センサがないこととコード未公開のため比較対象外とされています。CompVLAは接触リッチ作業の平均成功率で既存手法を上回り、アブレーションから可変コンプライアンスと仮想変位の両方が重要だと報告されています。提示本文には具体的な成功率や試行条件の数値は含まれていません。
使える条件
原論文の評価対象は、7自由度Franka Research 3のリーダー・フォロワ型力覚テレオペレーション系、前面・側面・手首のRealSense D435i 3台、手首のATI力/トルクセンサです。力/トルクはデータ収集時に記録されますが、評価時にポリシー入力としては使われません。入力は言語指示、RGB画像、グリッパ状態とTCP姿勢で、出力はTCPツイスト、グリッパ指令、6次元の対角剛性、6次元の仮想変位です。π0バックボーンと幾何インピーダンス制御を用い、Erase Whiteboard、Pivot、Cup Dispenseの接触リッチ3タスクとPick and Placeで評価されています。訓練には力覚フィードバック付きテレオペレーションのデモと、ACPに倣った剛性・仮想変位の推定が必要です。他のロボット、センサ構成、タスクへの適用可否は提示本文からは確認できません。
限界と未検証の範囲
評価は限られた接触リッチ3タスクとPick and Placeに留まり、提示本文では具体的な成功率、試行数、統計的なばらつきは確認できません。VTLAとForceVLA2は比較できていません。剛性は対角成分のみを学習し、減衰は固定、学習対象は主に剛性Kdです。評価時は力覚センサをポリシー入力に使わず、仮想慣性をタスク空間慣性に合わせる設計で力覚不要化を図っています。デモ収集と剛性・仮想変位の推定はテレオペレーションに依存し、他embodimentや未知の接触状態への一般化は未検証です。コード公開や実運用での安全性は提示本文からは確認できません。
解説
ねえ智也くん、この「CompVLA」って何？ 接触を伴うロボット作業向けにVLAへ可変剛性を追加する…ってタイトルだけで難しい。
まず前提。普通のVLAはRGBと言語から動きを出すけど、ほぼ位置制御で、接触したときの力のやり取りをモデル化してない。
なるほど。磨くとか穴にはめるとか、白板消しみたいに触る作業で弱いってこと？
そう。小さなズレで接触が切れたり、逆に強く押しすぎたりする。だから接触に応じて柔らかく逃げるコンプライアンスが要る。
でも柔らかいだけじゃダメなんでしょ？
うん。自由空間では固い方が正確。接触では柔らかい方が安全。だから可変剛性が要る。さらに白板消しなら面内は固く、面法線は柔らかく、みたいに方向別のコンプライアンスも要る。
方向で固さを変えるのと、押す力も変える？
そう。論文は「方向別コンプライアンス」と「力の調整」を二つの能力として挙げてる。剛性だけだと受け身で、狙った力を出せない。
で、CompVLAはどうやるの？
標準VLAにCompliance Expertを足す。Action Expertが参照軌道を出して、Compliance Expertがその軌道とVLMの埋め込みを使って、時間変化する対角剛性と仮想変位を予測する。バックボーンはπ0。
仮想変位が押す力にも効く？
そう。仮想変位で平衡姿勢を接触方向にずらして、剛性と変位の積で力を出す。予測値は幾何インピーダンス制御で実行される。
出力は動きだけじゃないんだ。
TCPツイスト、グリッパ指令、6次元の対角剛性、6次元の仮想変位。入力は言語、RGB画像、グリッパ状態とTCP姿勢。
評価は？
論文では白板消し、Pivot、Cup Dispenseの接触リッチ3タスクと、Pick and Placeで評価してる。ハードは7自由度FR3、RealSense 3台、手首にATI力/トルクセンサ。力/トルクはデータ収集では記録するけど、評価時のポリシー入力には使わない。
比較は？
通常VLAと、コンプライアンスを考慮したVLAベースライン。ForceVLAは6軸力を入力に足すけど姿勢出力のまま。TA-VLAは関節トルクを入力と補助出力に使う。CompVLAは剛性と仮想変位まで出してGICで実行する点が違う。
VTLAとかForceVLA2は？
触覚センサがないのとコード未公開で比較対象外。論文の報告では平均成功率が既存より高い。アブレーションで可変コンプライアンスと仮想変位の両方が必要とも報告してる。
数値は？
提示された本文からは具体的な成功率、試行数、ばらつきは確認できない。
意義は大きいの？
接触多い作業にVLAを広げる一歩。低頻度の動き生成と高頻度の接触制御をつなぐ設計になってる。Pick and Placeにも一般化すると報告してる。
弱点は？
評価は限られたハードとタスクだけ。他のロボットやセンサ構成への適用は提示本文からは確認できない。剛性は対角成分だけを学習して、減衰は固定、主にKdを学ぶ設計。デモ収集と剛性・仮想変位の推定は力覚フィードバック付きテレオペに依存する。
実運用の安全性やコード公開は？
提示本文からは確認できない。あとVTLAとForceVLA2比較できてないのも制約。
ふむふむ。つまりロボットが空気読んで「力抜きまーす」ってやるVLA？
空気じゃなくて剛性を読むんだよ。