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:2607.12287

効率的な視覚言語行動推論のための時間的冗長性の削減

Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの推論遅延を減らすため、視覚エンコーディングと拡散サンプリングの時間的冗長性を削減するシステムレベルの高速化手法を提案。動的領域のみのトークン更新と2ステップの拡散サンプリングにより、性能を保ちつつ2倍以上の高速化を達成。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの推論高速化手法 - ロボットマニピュレーション向けの実時間展開を阻害する高い推論遅延を削減 - 知覚と行動生成の両側面で時間的冗長性を低減するシステムレベル加速戦略 - 知覚側では動的領域のトークンのみを漸進更新し、行動側では拡散サンプリングを2ステップに圧縮 - Libero, RobotWin, Real Robot Platforms で2倍以上の高速化と最大98%の成功率を達成

2. 先行研究と比べてどこがすごい?

- 既存のVLAパイプラインは連続フレームの類似性による視覚エンコードの繰り返しと、拡散ベースポリシーにおける多段階反復サンプリングという2つの時間的冗長性を抱えていた - これらを同時に削減するシステムレベル加速戦略を提案 - 知覚側では全フレーム再エンコードではなく動的シーン領域のトークンのみを漸進更新 - 行動側では効率重視の学習により拡散サンプリングを2ステップに圧縮しつつ行動精度を維持 - 従来手法と比べ2倍以上の高速化を達成し、一般的なマニピュレーションベンチマークで最大98%の成功率を実現

3. 技術・手法の肝は?

- 知覚側: 連続フレーム間の類似性を利用し、動的シーン領域に対応するトークンのみを漸進的に更新 - 行動側: 拡散ベースポリシーの多段階反復サンプリングを、効率指向の学習によりコンパクトな2ステップスケジュールに圧縮 - 行動精度を維持しながら計算量を削減 - 知覚と行動生成の両方で計算を削減するシステムレベル加速戦略

4. どうやって有効だと検証した?

- Libero, RobotWin, Real Robot Platforms での実験 - 2倍以上の高速化を達成 - 一般的なマニピュレーションベンチマークで最大98%の成功率を維持 - 高性能を保ちながら推論遅延を削減できることを実証

5. 議論はある?

- 要旨からは不明 - 具体的な限界や失敗ケース、計算資源の詳細、リアルタイム性の定量的評価などは記述されていない

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 - 関連手法として Vision-Language-Action (VLA) モデル、diffusion based policies、Libero, RobotWin ベンチマークなどが挙げられる - 同分野の定番として RT-1, RT-2, Octo, OpenVLA などの VLA モデルや、Diffusion Policy などの拡散ベースポリシーが考えられる

※ 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: Yuzhou Wu, Yuxin Zheng, Muchun Niu, Yishan Yang, Tianhao Liu, hanwen kang, Jiajian Jing, Linfeng Zhang, Chuan Wen

分類: cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models exhibit strong generalization for robotic manipulation, yet their high inference latency limits real time deployment. We identify two primary sources of temporal redundancy in existing VLA pipelines: repeated visual encoding of highly similar consecutive frames and multi step iterative sampling in diffusion based policies. To address this, we propose a system level acceleration strategy that reduces computation in both perception and action generation. On the perception side, we incrementally update only tokens corresponding to dynamic scene regions instead of re-encoding entire frames. On the policy side, we compress diffusion sampling into a compact 2-step schedule through efficiency oriented training while preserving action precision. Experiments on Libero, RobotWin, and Real Robot Platforms demonstrate over 2 times speedup while maintaining high performance, achieving up to 98% success rate on general manipulation benchmarks. Our codes will be released on Github.

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