Camera-Centric VLA (CamVLA) モデルは2026年7月6日(現地時間)、ロボットがカメラ設定の変更に耐えるVision-Language-Action (VLA) モデルとして、学術論文公開サイトarXiv cs.CVを通じて発表されました。既存のVLAポリシーがカメラの外部パラメータ (extrinsic) の明示的な提供を必要とする中、CamVLAは校正や深度情報を不要とし、単一視点で動作します。これにより、実世界におけるロボットの展開における柔軟性の向上が期待されます。
CamVLAは、操作制御とカメラジオメトリを分離する新しいVLAモデルです。このモデルは、ロボットがタスクを遂行する際に、カメラの設置場所や角度が変更されても、その変動に自動的に適応できるよう設計されています。従来のロボットシステムでは、カメラが少しでも動くと、再校正が必要になることが一般的でした。この再校正プロセスは時間と労力を要し、ロボットの現場での迅速な展開を妨げる要因となっていました。
CamVLAの主要な技術的特徴は、以下の二つの要素を予測することにあります。
- ローカルカメラフレームで表現されるカメラ中心のエンドエフェクターアクション：これは、カメラ自体の視点に基づき、ロボットのアームの先端（エンドエフェクター）がどのように動くべきかを指示します。
- カメラとロボットベースを関連付ける6自由度 (6-DoF) ハンドアイ行列：これは、カメラがロボット全体のどの位置から「見ている」のかを幾何学的に特定します。
これらの二つの予測は、決定論的な幾何学的変換を通じて、ロボットベースフレームでのアクションに合成されます。これにより、ポーズに依存しないカメラ中心のアクション生成における「どのように動くべきか」という動作の意図と、カメラ視点からの幾何学的グラウンディングにおける「どこから見ているか」という位置情報が分離されます。この分離アプローチにより、ロボットは、与えられたタスク指示と単一の単眼RGB画像のみを視覚的観測として利用し、多様なカメラアングルからの入力を処理できるようになります。
論文の著者であるウェンハオ・リー (Wenhao Li) 氏らは、シミュレーション環境および実世界のロボットデータを用いた広範な評価を実施しました。その結果、CamVLAが多様な未見の視点においても、ロボットのタスク成功率を一貫して向上させることが示されました。この成果は、産業用ロボットやサービスロボットの分野において、より柔軟で適応性の高い自動化ソリューションの実現に貢献すると見られます。特に、頻繁に環境が変わる工場や、人手による介入が難しい遠隔操作のシナリオでの応用が期待されています。
参考: arXiv cs.CV — 2026年7月7日 02:59 (JST)
原文ハイライト"From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model"