ロボット操作タスクにおいて、視覚情報だけに依存する従来のビジョン言語アクション（VLA）ポリシーには大きな限界がある。物体を掴む、折り曲げるといった接触を伴う操作では、シーン全体が物体で隠れて視界が遮られたり、深度情報が曖昧になったり、小さな力のズレが実行を不安定にしたりする問題が生じる。既存の事前学習済みVLAモデルはこうした接触状態への対応が十分でなく、訓練データの分布外での実行に苦しむ傾向にある。 この課題に対して、研究チームは「LIFT（Late Reactive Injection of Force for VLA Post-Training）」という革新的なポスト学習フレームワークを開発した。LIFTの核となるのは、事前学習済みVLAポリシーに接触応答性を付与しながら、その汎用的な操作知識を保持する仕組みである。具体的には、反応的行動エキスパートを元の行動エキスパートの横に配置し、事前学習済みの行動ウェイトから初期化した後、6次元エンドエフェクタ力を因果的力メモリとゼロ初期化クロスアテンションを通じて注入する。これにより、実行中に動的に行動を更新できるようになる。 さらに重要なのは、接触フィードバックによる方針依存的な分布シフトに対処するため、LIFTが反応的力注入とオンラインDAggerループを組み合わせている点である。このループはオフラインの作業整合データと人間が修正したオンラインロールアウトの混合で学習を進める。タオルの折り畳み、本の挿入、ハノイの環配置など複数の操作タスクで、LIFTは視覚のみのポスト学習より速く学習し、より高い性能に到達することが実証された。反応的力メモリとオンライン修正データの両方が接触豊富な操作の堅牢性に不可欠であることも確認されている。