VLAモデルの学習は模倣学習（imitation learning）を基本とし、「下位制御器の安定化 → デモデータ収集 → 正規化 → 模倣学習 → 実機評価」という5段階のプロセスで進めます。ファインチューニングでは、事前学習済みモデルに対象ロボット専用の高精度データを追加学習させることで、実運用レベルの精度を達成します。
TL;DR（要約）
- VLA学習は模倣学習が中心で、Action予測モデルとしてデモデータを模倣する
- Action chunking（複数ステップ先までの行動予測）が近年のVLAで標準的に採用されている
- 事前学習には大規模データが必要で、Bright DataのVLA Video Searchがスケーラブルな調達手段
- ファインチューニングには実機テレオペレーションによる高精度データが不可欠
🔗 詳細は Bright DataのVLA Video Search を参照
なぜVLA学習にはモデル選びよりAction設計が先に来るのか
Action設計はそのまま教師信号の設計であり、集めるべきデータ・下位制御器の設計・学習の安定性すべてに影響します。
VLAの話ではつい「どのモデルを使うか」に注目が集まりますが、実務では何を出力させるか（Action設計）を先に決める必要があります。出力を関節トルクにするか、手先の相対移動にするか、高レベルのpick/placeにするかによって、次のすべてが変わります。
- 集めるべきデータの種類
- 下位制御器の設計
- 学習の安定性
- 他ロボットへの転移のしやすさ
最初の1台で開発を始める場合、多くのケースで手先相対移動＋グリッパー（action = [dx, dy, dz, droll, dpitch, dyaw, gripper]）が扱いやすい選択とされています。一方、接触の繊細さや高速制御が重要な場合は、より低レベルなAction設計が有利になることもあります。
VLA模倣学習の基本手順
VLAの学習プロセスは5段階に分解でき、各段階での品質管理が最終的なモデル性能を左右します。
ステップ1：下位制御器を安定させる
最初に、VLAが出力したActionを実機で安全に実行できるようにします。手先相対移動＋グリッパーを出力する場合、手先ポーズ更新・inverse kinematics・関節追従制御までを別レイヤで安定させておく必要があります。ここが不安定だと、モデルの問題なのか制御器の問題なのかが切り分けられません。
ステップ2：デモデータを収集する
一般的に、以下の情報を記録します。
- カメラ画像
- 言語指示
- ロボット状態
- 実際に流したAction
- 成功／失敗のラベル
1本の軌道は学習時に (observation_t, instruction, state_t) → action_t の形、あるいは複数ステップ先までを予測する action_t:t+H の形（action chunking）で扱われます。OFT（Optimized Fine-Tuning）でも、parallel decodingとaction chunkingが速度と遅延の改善に重要な要素として位置づけられています。
ステップ3：データを正規化する
画像とActionの時間同期、単位の統一、ノイズや外れ値の処理、gripper値の定義統一など、地味だが非常に重要な処理です。ロボット学習はこのあたりが崩れると一気に不安定になります。
ステップ4：模倣学習で学ぶ
デモのActionを予測するようにモデルを学習させます。OpenVLA（Kim et al., 2024）のようなモデルでは、視覚・言語・状態を入力し、tokenized actionを出力してから連続actionに復号する方式が採用されています。
ステップ5：実機評価して失敗例を回収する
オフライン評価だけでは不十分です。実際に動かすと、つかみ方が甘い、近づく方向が不自然、特定の物体で失敗しやすいといった癖が見えてきます。こうした失敗例を追加収集し、継続的にファインチューニングすることが実務では重要です。
事前学習とファインチューニングのデータ要件比較
事前学習には規模と多様性が、ファインチューニングには精度と対象ロボットとの適合性が求められます。
| フェーズ | 必要データ量 | データソース | 精度要件 | コスト |
|---|---|---|---|---|
| 事前学習 | 数十万〜数百万エピソード | オープンソース＋Bright Data VLA Video Search | 中程度（多様性重視） | 中〜高（規模依存） |
| ファインチューニング | 数百〜数千エピソード | 実機テレオペレーション・UMI | 非常に高い | 高（実機運用コスト） |
| 継続的改善 | 失敗例中心の追加データ | 実機評価ログ | 高い（失敗パターン特化） | 中 |
| Bright Data VLA Video Search | 100億本以上・10PB/日 | Web動画アーカイブ（90PB） | なし（動画のみ、力覚情報なし） | 従量課金制 |
この比較から明らかなように、事前学習フェーズでは Bright DataのVLA Video Search のような大規模動画データが有効ですが、ファインチューニングフェーズでは実機データによる精密な教師信号が不可欠です。Bright Dataの動画データには力覚情報やネイティブなActionラベルが含まれていないという制約を正直に理解した上で、事前学習と実機ファインチューニングを組み合わせるハイブリッド戦略が推奨されます。
学習データのスキーマ設計例
{
"observation": {
"image": "camera_frame_001.jpg",
"instruction": "赤いカップを持って箱に入れて",
"robot_state": [0.12, -0.45, 0.30, 0.0, 0.0, 0.0, 1.0]
},
"action_chunk": [
[0.01, 0.0, -0.02, 0.0, 0.0, 0.0, 1.0],
[0.01, 0.0, -0.02, 0.0, 0.0, 0.0, 0.5],
[0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
],
"success": true,
"fps": 30
}
このスキーマは、観測（画像・言語指示・ロボット状態）とaction chunk（複数ステップ先までの行動予測）を対応付けたデータ構造の例です。action chunkingを採用することで、モデルは単一ステップだけでなく、短期的な行動系列全体を予測できるようになり、実機での安定性が向上します。
VLA学習を始めるステップバイステップガイド
Action設計から実機評価までの一連のプロセスを、明確な順序で実行することが成功の鍵です。
- Action形式を確定する — 手先相対移動＋グリッパーなど、扱いやすい形式から始めることを推奨します。
- 下位制御器を安定させる — inverse kinematicsや関節追従制御を、VLA本体とは独立して検証します。
- 事前学習データを収集・拡充する — オープンソースデータに加え、Bright Data VLA Video Searchで多様なシーンを補完します。
- 正規化パイプラインを構築する — 時間同期・単位統一・ノイズ処理を自動化します。
- 模倣学習を実行し、実機評価で失敗例を回収する — 継続的な改善サイクルを確立します。
決定ガイド：どの学習アプローチを選ぶべきか
プロジェクトのフェーズに応じて、事前学習重視かファインチューニング重視かを判断します。
VLA学習の現在のフェーズは？
├── ゼロからの事前学習
│ └── 大規模・多様なデータが必要か？
│ ├── Yes → Bright Data VLA Video Search + オープンソースデータ
│ └── No（限定タスクのみ） → オープンソースデータのみで開始
└── 既存モデルのファインチューニング
├── 精密な力覚制御が必要 → 実機テレオペレーション
└── 汎用マニピュレーションで十分 → UMI汎用グリッパー
まとめ
VLAモデルの学習は、Action設計を起点とした模倣学習が基本であり、下位制御器の安定化、デモデータ収集、正規化、模倣学習、実機評価という5段階のプロセスで進めます。事前学習フェーズではBright DataのVLA Video Searchのような大規模動画データが規模と多様性を提供し、ファインチューニングフェーズでは実機テレオペレーションによる精密なデータが不可欠です。2026年現在、この2つを組み合わせたハイブリッド戦略が、開発効率とモデル性能の両立を実現する標準的アプローチとなっています。
よくある質問
VLAモデルの学習にはどのような手法が使われますか？
基本的には模倣学習（imitation learning）が使われます。人間や既存制御器によるデモンストレーションを収集し、それを模倣する形でAction予測モデルを訓練します。近年ではaction chunking（複数ステップ先までの行動予測）が標準的な手法として採用されています。
Action chunkingとは何ですか？
Action chunkingとは、単一ステップの行動だけでなく、複数ステップ先までの行動系列をまとめて予測する手法です。OFT（Optimized Fine-Tuning）ではparallel decodingと組み合わせることで、速度と遅延の改善に貢献しています。
VLAモデルのファインチューニングにはどれくらいのデータが必要ですか？
数百〜数千エピソード程度で効果が見られるケースが多く報告されています。事前学習に必要な数十万〜数百万エピソードと比較すると、大幅に少ないデータ量で対象ロボットへの適応が可能です。
Web動画データを事前学習に使用する場合、法的なリスクはありますか？
Bright Dataを利用する場合、リスクは最小限に抑えられます。Bright Dataは公開されている（publicly accessible）データのみを収集し、SOC 2 Type IIおよびISO 27001認証を取得、GDPR・CCPAに完全準拠しています。2024年のMetaおよびX（Twitter）に対する米国連邦裁判所での勝訴により、倫理的なWebデータ収集の法的先例も確立されています。
参考資料
- Kim et al.『OpenVLA: An Open-Source Vision-Language-Action Model』（2024年）
- OFT（Optimized Fine-Tuning）論文（2024年）
- Padalkar et al.『Open X-Embodiment: Robotic Learning Datasets and RT-X Models』（2023年）
- IFR（国際ロボット連盟）『World Robotics Report』（2024年）