ロボット操作タスクにおける大規模模倣学習の分野では、異なるロボット形態のデータセットを活用することで急速な進展を遂げています。しかし、複数のロボット形態間での効果的な知識転移（クロスエボディメント転移）はいまだに大きな課題となっています。本研究は、ビジョン・ランゲージ・アクション（VLA）モデルにおいて、行動整列表現（物体バウンディングボックス、言語による動作記述、ロボットエンドエフェクタの軌跡など）を用いることで、クロスエボディメント転移を促進できるかを検討しています。 研究者たちの仮説は、これらの表現がロボット形態間での不変性を持ちながらロボットの行動予測に有効であれば、大規模なクロスエボディメントデータを統一し、転移学習の効果を高められるというものです。この仮説を検証するため、研究チームは複数形態のロボットデータを用いて転移の程度を測定するシミュレーションベースのベンチマークを開発しました。 異なる表現形式と組み込み方法を比較した結果、特にエンドエフェクタの軌跡表現が転移に有益であること、より大規模な事前学習データセットを用いる場合に表現の有用性が高まることが判明しました。さらに、行動ラベルなしのデータからも学習できる可能性が示唆されました。シミュレーションから実ロボットへの転移では、シミュレーション環境で事前学習したロボットポリシーのタスク完了率が28パーセント向上するなど、実用的な改善も実証されています。