arXivが2026年8月17日(現地時間)付けで報じたところによると、Bingxin Xu らは、長期間にわたるロボット操作の信頼性を向上させる新しい手法「BATON」を発表した。BATONは、ビジョン・言語・アクション (VLA) モデルが直面する課題、特にエラーの累積やサブタスク間の連携不足に対処する。従来のLLMエージェントを用いた手法が抱える探索コストの増大や遷移表現の欠如といった問題を解決し、効率的な操作実現を目指す。
長期間のロボット操作では、複数の接触が多いスキルを連続させて多段階のタスクを実行する。現在のビジョン・言語・アクション (VLA) モデルは個々のスキルを習得しつつあるものの、エラーが累積し、あるサブタスクが次のサブタスクを制約することで、全体のタスクは失敗に至る傾向がある。
有力な手法として、VLAモデルを固定し、LLMエージェントに計画を任せる方法がある。この手法では、LLMが言語で計画を立て、解析プリミティブを用いてフリースペースを移動し、接触の多いセグメントでのみVLAを呼び出す。しかし、この手法は長期間のタスクに適用すると二つの課題に直面する。一つは、テスト時の全タスク探索のコストがステージ数に対し乗算的に増加すること (T^K)。もう一つは、VLAプリミティブが出口条件のみを持ち、入り口条件を持たないため、サブタスクが後続が利用できない形式で成功する遷移表現の欠如である。
BATONはこれらの課題に対処する。一つ目の課題に対して、BATONはサブタスクを探索単位とすることで、低コストな短期間探索 (T*K) を可能にし、失敗の原因を特定のステージに帰属できるようにした。二つ目の課題に対しては、遷移認識メモリを探索に組み込む。サブタスク内では「verifier agent」が呼び出し遷移を制御し、手首からの視点によってシーンの準備完了が確認された後にVLAが呼び出される。サブタスク間では、handoff transitionが先行タスクの残存物によって乱された入り口状態を復元し、lookahead transitionが後続タスクが継承できる結果をもたらす戦略を選択する。
BATONはパラメータ更新を行わず、長期間ベンチマーク「RoboMemArena」において、タスク成功率を11.6%、累積成功率を14.9%向上させた。
参考: arXiv cs.RO (アーカイブ) — 2026年8月18日 02:59 (JST)
原文ハイライト"Long-horizon robot manipulation chains many contact-rich skills into one multi-stage task."