主要発見：VioLAは関節指令ではなく、身体と手の“運動潜在（motion latent）”を予測する一般目的のヒューマノイド方策です。事前学習した身体・手のコントローラがその潜在を実機で実行します。人とロボットの動作を同じ潜在空間に写すことで、ヒトの記録をロボットの行動表現で教師として使えます（運動潜在とは、動作を低次元で表す符号化された表現のことです）。 (f1, f2)

手法の要点：方策はロボットの一人称（エゴセントリック）画像、言語の指示、そしてプロプリオセプション（自己の関節・姿勢に関する感覚）を条件に、連続するHステップ分の身体＋手の潜在コードの塊（chunk）を予測します。予測した身体潜在は凍結した（学習を固定した）身体コントローラが関節指令に変換し、手の潜在は手デコーダが指位置指令に変換します。これらのコマンドは50 Hzで更新されます。 (f3, f2, f1)

データ準備と学習：ヒトとロボットの運動エンコーダを用い、人の記録をロボット側の行動目標にラベリングしました。身体目標は、凍結した身体コントローラをシミュレーションでロールアウトして注釈運動を追跡し、閉ループで得られるロボットのプロプリオセプションと対応づける方法で構成します。手の目標は注釈された手の動きから直接符号化します。変換した訓練データは合計140.6百万フレームで、その93.2%はヒトデモンストレーションです。VioLAはGR00T N1.7をバックボーンに、まず150kステップをヒトデータで学習し、その後50kステップを5つのコーパスから均等サンプリングして学習しました。 (f16, f5, f11, f2)

実機評価と結果：評価は著者らの実験室でUnitree G1に五本指のInspireハンドを装着したロボット上で行いました。移動（LeVERB由来の6課題）と操作（Humanoid Everyday由来の7課題）を使い、各課題を方策ごとに5試行で試験しました。ゼロショットとは課題固有の微調整なしでの展開を指します。 (f12)

主な定量結果：VioLAは実機でゼロショットの移動課題で100%成功を達成しました。比較用に公開済みのGR00T N1.7は16.7%（5/30成功）、Ψ0は0%（0/30）でした。操作課題ではVioLAが88.6%（31/35成功）を達成しました。 (f6, f7, f9)

設計と比較の詳細：同一の訓練データと予算で3種類のバックボーン（GR00T N1.7、π0.5（VLA）、DiT4DiT（WAM））を評価しました。GR00TとDiT4DiTは移動で100%成功だった一方、π0.5は66.7%でした。操作成功率はGR00Tが88.6%、π0.5が45.7%、DiT4DiTが25.7%でした。方策の予測遅延はGR00Tで約160.2 ms、π0.5で約208.6 ms、DiT4DiTで約248.5 msでした。加えて、ヒトデータのみで学習したVioLA変種（human-only）は報告された移動課題30試行中12成功（40%）を示し、ヒトの運動符号化がロボット動作の教師として機能することを示しました。 (f10, f8)

連続性と実行安定化：VioLAは運動潜在空間でのリアルタイムチャンク切り替え（RTC）を用います。次の予測を、現在実行中の潜在で条件付けすることで、チャンク切り替え時の不連続を抑えます。提示された例では、ある記録の最大ステップ変化がStand Stillで0.332から0.064に、Raise Armで0.455から0.070に減少しました。 (f4)

意義と制約：本手法は大量のヒト記録（140.6Mフレーム、93.2%がヒト）をロボットの行動表現で使えることを示しました。これはヒトの動作データがロボットの一般行動学習に寄与し得ることを示します。一方で制約も明示されています。VioLAの能力は事前学習済みの身体・手モジュールが支持する動きに依存します。手デコーダは接触力のフィードバックを出さず、指位置指令を出す設計です。そのため物体の獲得や保持に失敗する事例が報告されています（コートやシャンプーの保持失敗、別途解析したボトル運搬課題は全試行失敗）。また評価は単一のUnitree G1で13課題・各5試行という範囲で行われており、環境や機体を広げた追加検証が必要です。さらに、現行の学習スケジュールではヒト教師が全ての振る舞いを改善するわけではなく、ロボットデモのみで操作性能が高くなる場合もあり、歩行の利点を保ちつつ物体操作を改善する方法は未解決です。 (f13, f14, f15)