ロボットの動作速度を制御できるAI方策 ― 速度可変の視覚・言語・行動モデル「TempoVLA」

本研究(TempoVLA)は、ロボットの動作速度をAIが状況に応じて変えられるようにする。

ロボット操作は、低リスクの移動相（速い実行が望ましい）と、高リスクの接触相（遅く精密な動作が要る）を交互に行う。ところが既存の視覚・言語・行動モデル(Vision-Language-Action models, VLA)は、学習デモから単一の固定速度しか引き継げない。モデル圧縮・KVキャッシュ再利用・強化学習による高速化の先行研究も、方策をある固定速度から別の固定速度へ移すだけで、「減速」はほとんど扱われてこなかった。

著者らは、予測される各行動(action)の大きさが、ロボットの移動の速さをすでに左右していることに着目し、これを制御可能な実行速度への直接的な道筋とする。TempoVLAは、実行速度を明示的な条件で制御する単一のVLAで、結合した2つの要素から成る。(1)データ側の可変速度軌道拡張(Variable-Speed Trajectory Augmentation, VSTA)：行動を統合(merge)または分割(split)することで、動作の意味(motion semantics)を保ったままデモを任意の目標速度へ再タイミングする。(2)モデル側の条件付け機構：速度を方策に入力する。統計的に、VSTAはわずかな動作誤差で要求速度を達成する。

シミュレーションと実機タスクの実験から、TempoVLAは両方向（加速・減速）の柔軟な速度制御を達成し、VSTAはデータ利用の改善によって標準（1倍速）の性能も底上げすることが示された。さらに、大規模マルチモーダルモデルと連携することで、低リスク相を加速し高リスク相で減速する動的な速度制御を実現する。