目次
「腕が増えても一つのモデルで動きます」という提案を受けた方へ
双腕や複数のアームを持つセルの提案で、「学習済みの基盤モデルなので、作業の順番や役割分担が変わっても使い回せる」という説明を受けた方に向けて書いています。多品種の組み立て、部品の受け渡し、2台のロボットの協調を検討している方が対象です。
基盤モデルを疑う記事ではありません。汎用と言われるモデルでも、学習した協調の順番を入れ替えると成功率が0%になったという実験結果と、そこから何を確かめればよいかの話です。
多腕の協調と、組み合わせの汎化とは
多腕の協調とは、2本以上の腕が役割を分担し、順番と同期を合わせて一つの作業を仕上げることです。組み合わせの汎化とは、学習済みの原子動作（つかむ、持ち上げる、揃える、置く）を、学習時にはなかった順番や役割分担で組み直して作業を完了できる力を指します。この論文（MA-VLA: Multi-Arm Vision-Language-Action Model for Collaboration and Compositional Generalization、2026年8月26日公開、ECCV 2026採択）が測ったのは、後者です。
| 観点 | 学習時 | 試験時（未学習の協調パターン） |
|---|---|---|
| 原子動作 | つかむ、持ち上げる、揃える、置く | 同じ |
| 腕の役割分担 | 学習データどおり | 入れ替える（左腕がやっていたことを右腕がやる） |
| 順番と同期 | 学習データどおり | 変える（積む色の順番を逆にするなど） |
| 途中の状態 | 学習データどおり | 上の2つが変わるので、見たことのない状態になる |
既存のVLAは、言語の指示を作業全体の一文として受け取り、どの腕が何をするかを明示する仕組みを持っていません。学習した協調パターンと違うものには転移しにくい、というのが論文の問題設定です。VLAそのものの仕組みはVLA（Vision-Language-Action）とはで整理しています。
既存の手法は0%、MA-VLAで13%
論文の主題に当たるのは、未学習の協調パターン5課題の結果です。3本の腕でキューブを色の順に積む課題は、学習時が青→緑→赤で、試験時は緑→青→赤、赤→緑→青、青→赤→緑の3通り。ほかに、靴を2つ渡す課題と、ボウルを逆順に積む課題があります。
| 手法 | 緑→青→赤 | 赤→緑→青 | 青→赤→緑 | 靴を2つ渡す | ボウルを逆順に積む | 平均 |
|---|---|---|---|---|---|---|
| DP | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% |
| Pi0-FAST | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% |
| Pi0 | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% | 0.0% |
| MA-VLA | 28.0% | 9.0% | 9.0% | 9.0% | 10.0% | 13.0% |
0%が3つの手法すべてで、5課題すべてに並んだことが、この表の読みどころです。原子動作は学習済みで、変わったのは順番と役割だけです。それでも既存の手法は一度も成功していません。MA-VLAの13%も高い数字ではありませんが、0と13は別の状態です。
学習済みの範囲では数ポイントの差です
同じモデルを、学習したとおりの協調パターンで評価した結果も並べておきます。
| ベンチマーク | Pi0 | MA-VLA | 差 |
|---|---|---|---|
| RoboFactory 2腕の4課題（平均） | 80.3% | 83.5% | +3.2pt |
| RoboFactory 3〜4腕の4課題（平均） | 76.5% | 83.3% | +6.8pt |
| RoboTwin 2.0 Hard 7課題（平均） | 41.1% | 49.0% | +7.9pt |
腕が増えるほど差が広がります。腕ごとに何をするかを明示する指示が、腕の数が増えたときの役割の曖昧さを減らしている、というのが著者らの解釈です。
実機の双腕でも同じ形でした
実機は、片腕6自由度の双腕SO101で、課題ごとに人が遠隔操作した実演50本で学習し、20回ずつ試行しています。
| 課題 | 学習した手順（Pi0 → MA-VLA） | 手順を組み替えた場合（Pi0 → MA-VLA） |
|---|---|---|
| ボウルを積む | 9/20 → 12/20 | 0/20 → 10/20（逆順に積む） |
| キューブを置く | 12/20 → 15/20 | 0/20 → 8/20（逆順に置く） |
| おもちゃを渡す | 3/20 → 6/20 | 0/20 → 2/20（渡す順番を変える） |
| キューブを積む | 5/20 → 8/20 | 0/20 → 2/20（逆順に積む） |
学習した手順では数回の差で、組み替えた手順では0回が10回や8回になっています。シミュレーションと同じ形です。
何を変えたら0%が動いたか
MA-VLAが変えたのは3つです。
- 原子動作への分解。「3本の腕でキューブを積む」という一文を、段階ごとに「Arm0はつかむ、Arm1は保持する」のような腕ごとの指示に分解する。分解はGPT-4.1が行い、動作を出すモデル（π0ベース）は全腕の動作を一度に生成する
- Arm Shuffle。訓練中に、腕ごとの観測・状態・指示を確率的に入れ替える。「左腕は必ずこの役」という固定をなくす
- View Dropout。訓練中にカメラ視点の一部を落とし、特定の視点への依存を減らす
どれが効いたかは、3本の腕で積む課題の順番を変えた実験で切り分けられています。
| 原子動作 | Arm Shuffle | View Dropout | 未学習の順番 | 学習した順番 |
|---|---|---|---|---|
| 0.0% | 48.0% | |||
| あり | 0.0% | 58.0% | ||
| あり | あり | 7.3% | 52.0% | |
| あり | あり | あり | 15.3% | 53.0% |
原子動作に分けるだけでは未学習の順番は0%のままで、役割の入れ替えを訓練に入れて初めて動きました。分解は学習済みの範囲を10ポイント上げますが、組み替えには効いていません。組み替えに効いたのは、訓練データの側で役割を固定しなかったことです。
もう一つ、比較しておきたい設計があります。腕ごとに別のモデルを持ち、3本なら3つのモデルを並列に動かす方式です。この方式は学習した順番で61%とMA-VLAより高いのに、未学習の順番では0%でした。腕の数だけモデルを増やす設計は、学習済みの範囲では強く、組み替えには弱く、推論と運用の負荷が腕の数に比例します。
提案書で確かめる4つの点
多腕や双腕の提案で「学習済みなので使い回せる」と言われたとき、この論文に照らすと、確かめる点は成功率の高さではなく、その成功率がどの条件で測られたかに移ります。
多腕・双腕の基盤モデルの提案で聞く4項目
-
成功率は、学習した手順そのものか、組み替えた手順か。両方の数字を出してもらい、組み替えの数字がないなら、順番を変える予定がないかを自社側で確かめます
-
腕ごとの指示に分解できる仕組みか。作業全体を一文でしか受け取らないモデルは、順番の変更に弱いという結果です
-
腕が1本増えたとき、モデルも増えるか。腕ごとに別モデルなら、推論の計算と運用の手間が腕の数に比例します
-
追加学習に要る実演は何本か。この論文はシミュレーションで課題ごとに150本、実機で50本でした。自社の作業が変わる頻度と掛け算します
ロボットメーカーやSIerから基盤モデルの説明を受ける場で、そのまま確認項目として使えます
数字の出どころと限界
この記事の数字は、2026年8月26日にarXivで公開された論文の本文に基づきます。ECCV 2026に採択されていますが、参照したのはarXiv版です。シミュレーションは課題ごとに100回、実機は20回の試行で、実機の成功率は5%刻みです。未学習の協調パターンでの13%は、著者ら自身が高い数字としてではなく、0%からの差として示しています。
原子動作のラベルは、実演データからルールベースの解析で自動生成されたもので、接触や把持の状態を条件に区切っています。指示の分解を行うプランナはGPT-4.1で、追加学習はしていません。学習は2基のNVIDIA A800で、コードとモデルとデータは公開されています。別の機体や作業で同じ形が再現するかは、追試を待つ必要があります。
「どんなロボットでも動く」と言われたときの確かめ方はどんなロボットでも動きますと言われたらに、作業が長くなるほど成功率が落ちる話は工程の95%まで進んでもに、実演データを集める費用は双腕の持ち替えができる前にに、小さなモデルの成果報告の読み方は68万パラメータで86.9%にあります。