日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/強化学習arXiv:2603.18464

AcceRL: 視覚言語行動モデルのための分散非同期強化学習と世界モデルフレームワーク

AcceRL: A Distributed Asynchronous Reinforcement Learning and World Model Framework for Vision-Language-Action Models

シェア:XThreadsFacebookLINEはてブBluesky

同期バリアと環境データ取得コストによるボトルネックを解消するため、環境ロールアウト・モデル推論・勾配更新を物理的に分離した分散非同期RLフレームワークを提案し、スループットとサンプル効率を大幅に向上させた。

詳しい要約

1. どんなもの?

- 大規模 Vision-Language-Action (VLA) モデル向けの強化学習 (RL) フレームワーク AcceRL を提案。 - 分散非同期 RL と World Model を統合し、環境ロールアウト・モデル推論・勾配更新を物理的に分離。 - 同期システムの cascading long-tail idle bubbles を排除し、ハードウェア利用率とスループットを最大化。 - plug-and-play な World Model を分散パイプラインに統合可能なモジュール設計。 - LIBERO の4タスクスイートで評価し、コードも公開。

2. 先行研究と比べてどこがすごい?

- 同期型 RL ベースラインと比較し、非同期アーキテクチャで 2.4× のスループット高速化を達成。 - 1,000 のオフライン軌道で事前学習した World Model を活用し、LIBERO-Spatial でオンラインサンプル効率を最大 200× 改善。 - 同期バリアや環境データ取得コストのボトルネックを解消し、スケーラブルなスループットを実現。 - ベースフレームワークは LIBERO の4タスクスイートすべてで競争力のある性能を示す。

3. 技術・手法の肝は?

- 環境ロールアウト、モデル推論、勾配更新を物理的に分離する分散非同期 RL アーキテクチャ。 - 同期システムに生じる cascading long-tail idle bubbles を排除し、ハードウェア利用率を最大化。 - 多様な World Model を plug-and-play で分散パイプラインに統合できるモジュール設計。 - World Model をオフライン軌道で事前学習し、オンラインサンプル効率を向上させる仕組み。

4. どうやって有効だと検証した?

- LIBERO の4タスクスイートでベースフレームワークの性能を評価。 - 非同期アーキテクチャと主要な同期ベースラインを比較し、2.4× のスループット高速化を実証。 - 1,000 のオフライン軌道で事前学習した World Model を用い、LIBERO-Spatial で最大 200× のオンラインサンプル効率改善を確認。 - コードは補足資料および GitHub で公開。

5. 議論はある?

- 要旨からは、非同期化に伴う学習安定性や World Model の精度依存性などの議論は明示されていない。 - 同期ベースラインとの比較やサンプル効率・時間効率の両立を主張しているが、限界や失敗ケースは要旨からは不明。 - 実環境への転移やスケーラビリティの詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- LIBERO (liu2023libero) の論文。 - 同期型 RL ベースライン(要旨では具体的名称が挙げられていないため、同分野の代表的手法を参照)。 - World Model を用いた RL の関連手法(例: Dreamer 系、Model-Based RL)。 - VLA モデル向け RL の先行研究(要旨で参照されている場合はそれら)。

※ 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: Chengxuan Lu, Shukuan Wang, Yanjie Li, Yingying Fang, Huoyan Wang, Tian Zhang, Wei Liu, Shiji Jin, Fuyuan Qian, Peiming Li, Chao Xu, Baigui Sun, Yang Liu

分類: cs.LG

原文アブストラクト

Reinforcement learning (RL) for large-scale Vision-Language-Action (VLA) models is severely bottlenecked by synchronization barriers and the high cost of environment data acquisition. To overcome these challenges, we propose AcceRL, a distributed asynchronous RL framework that physically isolates environment rollouts, model inference, and gradient updates. By eliminating the cascading long-tail idle bubbles inherent in synchronous systems, AcceRL maximizes hardware utilization and ensures scalable throughput. Furthermore, AcceRL features a modular design that supports the integration of diverse, plug-and-play world models into its distributed pipeline. Extensive experiments demonstrate that the base framework achieves highly competitive performance across all four LIBERO~\cite{liu2023libero} task suites. Systematically, the asynchronous architecture delivers a $2.4\times$ throughput speedup over leading synchronous baselines. Algorithmically, by leveraging a world model pre-trained on 1,000 offline trajectories, AcceRL achieves up to a $200\times$ improvement in online sample efficiency on LIBERO-Spatial, establishing a robust framework that is both sample-efficient and time-efficient for embodied AI. Code is included in the supplementary material. Code is available at https://github.com/distanceLu/AcceRL.

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