PARC2026に挑戦した話

ロボットアームに言語指示を出すと、その指示通りに体を動かすVLA（Vision-Language-Action）モデルの競技PARC2026に挑戦した記録だ。シミュレーション環境で牛乳をカゴに入れる、トマトソースを掴むといったタスクを実行させる。配布baselineのスコア0.0633に対し、最終的に0.28844に到達（約4.5倍）。驚くのは、モデル自体は一切変えていない点だ。pi0.5というモデルを選んだ後は、LoRAで軽く微調整するだけで、後は出力の扱い方を工夫して高性能を実現した。

転換点はtemporal ensembleという手法だ。モデルは50ステップ分の動きをまとめて予測し、先頭10ステップだけ実行してから再計算する。問題は、予測し直すタイミングで動きが不連続になることだった。新しい予測と直前の予測の続きを7:3でブレンドするだけで、その不自然さが消えた。数行の実装変更で、成功率が17/20から18/20に改善。さらに、予測のばらつきが不確実性を反映していることに気付き、3パターンの候補を出して多数決するadaptive replanningも追加した。

AIの鬼の視点では、ここが最も現実的な学びだ。競技での優勝は「最新モデルを手に入れること」ではなく、「既存モデルの出力をどう扱うかの工夫」で達成された。データ集めにも試行錯誤があり、自動生成やteleopデータの質が悪いと気付いて、結局は公式データから質の良いものを選ぶ方に時間をかけた。つまり、データ量より選別が、モデル更新より出力処理が効いた。中小企業がロボット導入を検討するなら、最新の高級モデルを買うより「今あるモデルを現場にどう合わせるか」の工夫に投資する方が回収率は高い。型番の新しさより、現場の動きを観察して「ここで予測がばらつく」を見つけ、その局面だけを工夫する。競技でも現場でも、エンジニアリングの細部が全てを決める。