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:2609.39526

離散フォーシング:連続デノイジングに離散ガイダンスを注入する少数ステップ行動エキスパート

Discrete Forcing: Infusing Discrete Guidance into Continuous Denoising for Few-Step Action Experts

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルにおいて、離散行動トークンで粗い行動構造を予測し、それを連続行動の精緻化のガイダンスとして用いるフローマッチング手法を提案。パラメータ数を抑えつつ高精度・高速推論を実現した。

詳しい要約

1. どんなもの?

本論文は、VLAモデルにおける効率的な行動生成のためのDiscrete Forcingを提案する。これはflow-matchingフレームワークであり、離散行動トークンと連続行動トークンを組み合わせ、粗から細への生成プロセスを明示的に行う。まず離散行動トークンを予測して粗い行動構造を確立し、それを用いて連続行動の洗練をガイドする。離散・連続コンポーネントは共通のdiffusion transformerバックボーンを共有し、専用ブランチを持つ。パラメータ数は従来の単一ブランチモデルと同程度で、各ブランチにつき1回のforward passのみを必要とする。

2. 先行研究と比べてどこがすごい?

従来、離散行動トークンはコンパクトな構造表現を提供するが精度を犠牲にし、連続行動トークンは高精度だが複数のdenoisingステップを要することが多かった。Discrete Forcingはこれらを粗から細への生成プロセスで統合し、パラメータ数を同等に保ちつつ、パラメータマッチした連続行動エキスパートよりも性能向上と推論高速化を実現する。また、モデル容量の増加に伴い一貫した性能向上が見られる点が優れている。

3. 技術・手法の肝は?

技術の肝は、flow-matchingフレームワーク内で離散行動トークンによる粗い構造予測と、それを用いた連続行動の洗練を組み合わせる点にある。離散・連続コンポーネントは共通のdiffusion transformerバックボーンを共有し、専用ブランチに分岐する。これによりパラメータ数を従来の単一ブランチモデルと同程度に抑えつつ、各ブランチにつき1回のforward passで済む効率的な生成を可能にする。

4. どうやって有効だと検証した?

複数のベンチマークで広範な評価を実施し、パラメータマッチした連続行動エキスパートと比較して性能向上と推論高速化を示した。また、モデル容量の増加に伴う一貫した性能向上を確認した。さらに実世界実験により、高精度および動的なマニピュレーションタスクにおける改善を実証した。

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や関連手法は明示されていない。同分野の定番として、flow matching、diffusion policy、vision-language-action (VLA) models、action tokenization などが挙げられる。

※ 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: Jingbo Wang, Wenxuan Song, Wenhao Yu, Han Zhao, Xi Wang, Jiayi Chen, Donglin Wang, Yan Wang, Haoang Li

分類: cs.RO

原文アブストラクト

Efficient action generation in vision-language-action (VLA) models requires capturing both coarse action structure and fine-grained details. Discrete action tokens provide compact structural representations but sacrifice precision, while continuous action tokens offer high precision but often require multiple denoising steps. We introduce Discrete Forcing, a flow-matching framework that combines these representations through an explicit coarse-to-fine generation process. It first predicts discrete action tokens to establish a coarse action structure, then uses them to guide continuous action refinement. The discrete and continuous components share a common diffusion transformer backbone with specialized branches, maintaining a parameter count comparable to a conventional single-branch model while requiring only one forward pass per branch. Extensive evaluations across multiple benchmarks demonstrate improved performance and faster inference over a parameter-matched continuous action expert, with consistent performance gains as model capacity increases. Real-world experiments further demonstrate improvements on high-precision and dynamic manipulation tasks.

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