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:2512.05964

学習時アクション条件付けによる効率的なリアルタイムチャンキング

Training-Time Action Conditioning for Efficient Real-Time Chunking

シェア:XThreadsFacebookLINEはてブBluesky

推論時のインペインティングの代わりに、学習時に推論遅延を模擬してアクションプレフィックスで条件付けることで、VLAのリアルタイムチャンキングを計算コストを抑えつつ実現する手法を提案。

詳しい要約

1. どんなもの?

- 本論文は、Vision-Language-Action models (VLAs) のリアルタイム制御における Real-time chunking (RTC) の効率化手法を提案する。 - 従来の RTC は推論時に inpainting で過去の行動を条件付けするため計算オーバーヘッドが生じる。 - 提案手法は訓練時に推論遅延をシミュレートし、行動プレフィックスに直接条件付けすることで、推論時オーバーヘッドを排除する。 - モデルアーキテクチャやロボットランタイムの変更は不要で、数行のコード追加で実装可能。

2. 先行研究と比べてどこがすごい?

- 従来の inference-time RTC は inpainting により推論遅延が増大する問題があった。 - 提案する training-time RTC は、高い推論遅延下で inference-time RTC を上回る性能を示す。 - 実世界タスクでも、タスク性能と速度を維持しつつ計算コストを削減できる。 - アーキテクチャ変更やランタイム変更が不要で、実装が容易である点が優れている。

3. 技術・手法の肝は?

- 訓練時に推論遅延をシミュレートし、行動プレフィックスに条件付けするようにモデルを訓練する。 - 推論時には inpainting を行わず、訓練で学習した条件付けを利用する。 - これにより推論時の計算オーバーヘッドを完全に排除する。 - 実装は数行のコード追加で済み、既存の VLA に容易に適用可能。

4. どうやって有効だと検証した?

- シミュレーション実験で、高い推論遅延下で training-time RTC が inference-time RTC より優れることを示した。 - 実世界実験では、$π_{0.6}$ VLA を用いた box building と espresso making タスクで評価。 - training-time RTC は inference-time RTC と同等のタスク性能と速度を維持しつつ、計算コストが低いことを実証。

5. 議論はある?

- 提案手法は inference-time inpainting の実用的な代替となる可能性を示唆。 - 訓練時の遅延シミュレーションが実際の推論遅延をどの程度正確に反映するかは議論の余地がある。 - 他の VLA やタスクへの汎用性については今後の検証が必要。 - 要旨からは、訓練と推論の遅延分布の不一致に関する詳細な議論は不明。

6. 次に読むべき論文は?

- 要旨で参照されている Real-time chunking (RTC) の元論文。 - $π_{0.6}$ VLA の論文。 - Vision-Language-Action models (VLAs) のリアルタイム制御に関する研究。 - 推論時 inpainting を用いたロボット制御の関連手法。

※ 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: Kevin Black, Allen Z. Ren, Michael Equi, Sergey Levine

分類: cs.RO, cs.AI

原文アブストラクト

Real-time chunking (RTC) enables vision-language-action models (VLAs) to generate smooth, reactive robot trajectories by asynchronously predicting action chunks and conditioning on previously committed actions via inference-time inpainting. However, this inpainting method introduces computational overhead that increases inference latency. In this work, we propose a simple alternative: simulating inference delay at training time and conditioning on action prefixes directly, eliminating any inference-time overhead. Our method requires no modifications to the model architecture or robot runtime, and can be implemented with only a few additional lines of code. In simulated experiments, we find that training-time RTC outperforms inference-time RTC at higher inference delays. In real-world experiments on box building and espresso making tasks with the $\pi_{0.6}$ VLA, we demonstrate that training-time RTC maintains both task performance and speed parity with inference-time RTC while being computationally cheaper. Our results suggest that training-time action conditioning is a practical drop-in replacement for inference-time inpainting in real-time robot control.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI