ビジョン言語アクション（VLA）モデルは、視覚認識、自然言語理解、行動生成を単一の基盤モデル内に統合する革新的なアプローチです。このモデルにより、ロボットは「タオルを折る」や「赤い建物に飛ぶ」といった指示をカメラ画像から直接理解し実行できるようになります。インターネット規模の事前学習から得られた膨大な世界知識を継承するVLAは、学習ベースの操作タスクにおいて支配的なフレームワークとなっており、特に両腕協調操作はその最も要求の厳しいテストベッドとして機能しています。各腕が7自由度を持つ2つのロボットアームが、物体の折り畳みや組み立て、再配向を行う際には、精密な協調動作が必須です。 無人航空ロボティクスも構造的に類似した課題に直面しています。ドローンは視覚情報からスラスト、姿勢、そして増加するグリッパー指令を厳密な遅延制約とペイロード制約下で調整する必要があります。この包括的なレビューは2017年から2026年にかけての183件の研究成果を取り上げており、7つの次元に沿って組織化されています。具体的には、VLAアーキテクチャ、学習手法、行動表現、両腕協調（2022-2026）、無人航空機（UAV）ナビゲーション・制御（2017-2026）、言語グラウンディング、そしてメモリと世界モデルを含む横断的課題です。 このレビューは、両腕VLAのために開発された協調戦略、学習レシピ、行動表現が無人航空システムにも転用可能であることを示し、両領域にわたる14の研究方向を特定しています。異なるロボティクス分野での知見共有が、今後のAI技術発展の重要な鍵となることが明らかにされます。