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/高速化arXiv:2607.06370

ActionCache: アクションキャッシュとリファインメントによる視覚言語行動モデルの学習不要高速化

ActionCache: Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement

シェア:XThreadsFacebookLINEはてブBluesky

フローベースの視覚言語行動モデルにおける反復的ノイズ除去の計算ボトルネックを、過去の中間アクションを再利用する外部キャッシュで解消し、推論遅延を大幅に削減する手法を提案した。

詳しい要約

1. どんなもの?

ActionCacheは、Vision-Language-Action (VLA)モデル、特にflow-matchingベースのVLAモデル(例:π0.5、GR00T-N1.6)の推論を高速化するためのプラグアンドプレイの外部キャッシュ手法。反復的なdenoisingプロセスによる計算ボトルネックを軽減し、過去の中間アクションを再利用して生成を初期化することで、低遅延で高いタスク成功率を維持する。

2. 先行研究と比べてどこがすごい?

従来のVLAモデルは、action headの反復denoisingが計算ボトルネックとなりリアルタイム展開が困難だった。ActionCacheは、このボトルネックを直接ターゲットにし、外部キャッシュを用いて中間アクションを再利用することで、推論を高速化する。既存の蒸留やモデル圧縮とは異なり、学習不要でプラグアンドプレイであり、異なるエピソードやタスク間で再利用可能な点が新しい。

3. 技術・手法の肝は?

ActionCacheは、過去の中間アクションをコンパクトなマルチモーダルキーとともに保存する。推論時には、現在のコンテキストに類似したキーを検索し、対応する中間アクションを取得してdenoisingの初期値として使用する。これにより、ターゲットアクションの近傍から生成を開始でき、反復回数を削減する。キーはマルチモーダル情報(視覚、言語など)を統合して構成され、異なるエピソードやタスク間での類似性を捉える。

4. どうやって有効だと検証した?

シミュレーションと実世界環境で実験を行い、タスク成功率を維持しつつ、action headの推論をπ0.5で最大10.44倍、GR00T-N1.6で最大40.17倍高速化できることを示した。

5. 議論はある?

要旨からは、キャッシュのメモリ使用量や、タスク分布が大きく異なる場合の汎化性、キャッシュの更新戦略などについての詳細は不明。また、高速化の倍率は特定の条件下での結果であり、実際のロボット展開でのトレードオフ(精度と速度)についてはさらなる議論が必要。

6. 次に読むべき論文は?

要旨で参照されている代表的なflow-matchingベースのVLAモデルであるπ0.5とGR00T-N1.6の論文。また、関連するVLAモデルの高速化手法や、flow-matchingのdenoisingプロセスに関する研究。

※ 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: Ryuji Oi, Hikari Otsuka, Kosuke Matsushima, Yuki Ichikawa, Masato Motomura, Tatsuya Kaneko, Daichi Fujiki

分類: cs.RO, cs.CV, cs.LG

原文アブストラクト

Vision-Language-Action (VLA) models have emerged as a promising approach for generalizable robotic manipulations. In particular, flow-matching-based VLA models have shown remarkable success due to their capability to generate precise and smooth action sequences and capture multimodal distributions. However, the iterative denoising process in the action head acts as a major computational bottleneck, posing a critical challenge for real-time deployment. To address this challenge, we propose ActionCache, a plug-and-play external cache that opportunistically reuses past intermediate actions to warm-start generations from the vicinity of target actions, drastically reducing the inference latency. Specifically, ActionCache stores the intermediate actions with compact multimodal keys, which enables retrieval from similar past contexts across different episodes or even different tasks. Experimental results in simulation and real-world environments demonstrate that ActionCache maintains high task success rates in a low-latency regime, achieving action head inference acceleration of up to $10.44\times$ and $40.17\times$ for representative flow-based VLA, $\pi_{0.5}$ and GR00T-N1.6, respectively.

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. 2newmo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
  3. 3GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI