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/スパイキングNN/低消費電力arXiv:2606.27807

スパイキングニューラルネットワークを用いた視覚言語行動モデルSpikeVLA

SpikeVLA: Vision-Language-Action Models with Spiking Neural Networks

シェア:XThreadsFacebookLINEはてブBluesky

低消費電力・リアルタイム動作を目指し、視覚エンコーダ・大規模言語モデル・行動ポリシーをすべてスパイキングニューラルネットワークで構成したVLAモデルを提案し、ナビゲーションとロボット制御タスクでエネルギー消費を大幅削減しつつ競争力のある性能を達成した。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの一種 - 脳のスパイキングニューラルネットワーク (SNN) をベースにした SpikeVLA を提案 - 3つの主要コンポーネント: Spike-V (視覚エンコーダ), Spike-L (マルチモーダル言語モデル), Spike-A (行動ポリシーネットワーク) - 目的: 低電力・リアルタイムの embodied intelligence 向けにエネルギー効率の良い推論を実現

2. 先行研究と比べてどこがすごい?

- 既存の VLA モデルは大規模 transformer ベースで、推論遅延とエネルギー消費が大きい - SpikeVLA は SNN を導入し、イベント駆動型のスパース性によりエネルギー消費と計算コストを大幅に削減 - 競争力のある性能を維持しつつ、低電力制約下での展開を可能にする点が優れている

3. 技術・手法の肝は?

- Spike-V: 密な連続層をイベント駆動型スパイキング層に置き換え、視覚表現学習のエネルギーを削減 - Spike-L: スパイキングダイナミクスとトークンレベルのイベント駆動型スパース性でクロスモーダル推論を再定式化 - Spike-A: Laplacian-kernel population coding と多層全結合 SNN を用い、スパイキング活動を安定した連続制御にデコード

4. どうやって有効だと検証した?

- ナビゲーションとロボット制御タスクの実験で評価 - エネルギー消費と計算コストを大幅に削減しつつ、競争力のある性能を維持することを示した - 低電力・リアルタイムの embodied intelligence への可能性を強調

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 同分野の定番として Vision-Language-Action (VLA) モデル、Spiking Neural Networks (SNN)、embodied navigation に関する論文が挙げられる

※ 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: Ruiqi Song, Dujun Nie, Siyu Teng, Baiyong Ding, Xiaotong Zhang, Dong Li, Chenming Zhang, Yuchen Li, Hangbin Wu, Long Chen

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have become a dominant paradigm for embodied intelligence. However, most existing approaches are built on large-scale transformers, resulting in substantial inference latency and energy consumption that limit their practical deployment in low-power, real-time scenarios. We propose SpikeVLA, a spiking VLA architecture for embodied navigation with energy-efficient inference, consisting of three key components. (i) A spiking vision encoder, Spike-V, that replaces dense continuous layers with event-driven spiking layers to reduce the energy consumption of visual representation learning. (ii) A multi-modal spiking large language model, Spike-L, that reformulates cross-modal reasoning with spiking dynamics and token-level event-driven sparsity to further lower computational cost. (iii) A spiking action policy network, Spike-A employs Laplacian-kernel population coding with a multi-layer fully connected SNN, and decodes spiking activities into stable and robust continuous control with energy-efficient inference under low-power constraints. Experiments on navigation and robotic control tasks show that SpikeVLA significantly reduces energy consumption and computational cost while maintaining competitive performance, highlighting its potential for low-power, real-time embodied intelligence.

  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