日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2510.04898

HyperVLA:ハイパーネットワークによるVision-Language-Actionモデルの効率的推論

HyperVLA: Efficient Inference in Vision-Language-Action Models via Hypernetworks

シェア:XThreadsFacebookLINEはてブBluesky

ハイパーネットワークを用いて推論時にタスク特化の小型ポリシーのみを活性化することで、VLAモデルの推論コストを大幅に削減する手法を提案。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの推論コスト削減を目的とした新アーキテクチャ HyperVLA の提案 - 既存の monolithic な VLA は学習・推論の両方で全モデルを活性化するが、HyperVLA は hypernetwork (HN) ベースの構成で推論時にはタスク特異的な小さな policy のみを活性化 - 学習時には多様な multi-task 挙動に対応する高い model capacity を保持 - コード公開: https://github.com/MasterXiong/HyperVLA

2. 先行研究と比べてどこがすごい?

- 既存の monolithic VLA は推論コストが極めて高いという課題がある - HyperVLA は推論時に小さなタスク特異的 policy のみを活性化することで、学習時の高い capacity を維持しつつ推論コストを大幅削減 - OpenVLA と比較して、テスト時の活性化パラメータ数を 90×削減、推論速度を 120×高速化 - zero-shot generalization と few-shot adaptation の両方で monolithic VLA と同等以上の成功率を達成

3. 技術・手法の肝は?

- hypernetwork (HN) ベースのアーキテクチャを採用し、推論時はタスク特異的な小さな policy のみを活性化 - HN ベース VLA の学習を成功させるための主要なアルゴリズム設計: - 既存の vision foundation model からの prior knowledge の適切な活用 - HN normalization - action generation strategy - 学習時は多様な multi-task 挙動に対応する高い model capacity を保持

4. どうやって有効だと検証した?

- monolithic VLA との比較で、zero-shot generalization および few-shot adaptation の成功率を評価 - OpenVLA との比較で、テスト時の活性化パラメータ数(90×削減)と推論速度(120×高速化)を測定 - 具体的なベンチマーク名やデータセット名は要旨からは不明

5. 議論はある?

- 要旨からは不明(限界や失敗ケース、今後の課題についての記述は要旨に含まれない)

6. 次に読むべき論文は?

- OpenVLA(比較対象の state-of-the-art VLA モデル) - 既存の monolithic VLA モデル全般 - vision foundation model(prior knowledge の供給元として言及) - hypernetwork (HN) 関連研究(アーキテクチャの基礎として)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zheng Xiong, Kang Li, Zilin Wang, Matthew Jackson, Jakob Foerster, Shimon Whiteson

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Built upon language and vision foundation models with strong generalization ability and trained on large-scale robotic data, Vision-Language-Action (VLA) models have recently emerged as a promising approach to learning generalist robotic policies. However, a key drawback of existing VLAs is their extremely high inference costs. In this paper, we propose HyperVLA to address this problem. Unlike existing monolithic VLAs that activate the whole model during both training and inference, HyperVLA uses a novel hypernetwork (HN)-based architecture that activates only a small task-specific policy during inference, while still retaining the high model capacity needed to accommodate diverse multi-task behaviors during training. Successfully training an HN-based VLA is nontrivial so HyperVLA contains several key algorithm design features that improve its performance, including properly utilizing the prior knowledge from existing vision foundation models, HN normalization, and an action generation strategy. Compared to monolithic VLAs, HyperVLA achieves a similar or even higher success rate for both zero-shot generalization and few-shot adaptation, while significantly reducing inference costs. Compared to OpenVLA, a state-of-the-art VLA model, HyperVLA reduces the number of activated parameters at test time by $90\times$, and accelerates inference speed by $120\times$. Code is publicly available at https://github.com/MasterXiong/HyperVLA

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI