研究者らは、ビジョン・ランゲージ・アクション（VLA）モデルにおける専門家の実演データの不足に対処するため、物理的能力と意味的なアライメントを分離する2段階のフレームワークであるタスク非依存事前学習（TAP）を提案した。この手法は、まずラベルなし相互作用データから自己教師型逆動力学目的関数を通じて移植可能な運動事前知識を学習し、その後、最小限の専門家データを用いてこれらの事前知識を言語に接地させる。

  • TAPは、100万以上の専門家トラジェクトリで学習したモデルと同等のパフォーマンスを発揮しながら、ラベル付きデータを桁違いに少ない量で使用している。
  • このアプローチは、SIMPLERベンチマークにおいて標準的な行動クローニングに対して絶対的に10%の向上をもたらす。
  • 現実世界のWidowXプラットフォームでは、TAPはインターネット規模のベースラインが0%に崩壊するカメラ摂動下でも25%の成功率を維持する。

これは、タスク非依存事前学習が堅牢で移植可能な物理的表現を生み出し、具身AIにとってスケーラブルな前進を提供することを示している。