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:2610.19957

World Action Modelsのための相補的未来トークンプルーニング

Complementary Future Token Pruning for World Action Models

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みWorld Action Modelの未来フレームトークンを、指示と行動の注意に基づき訓練なしで枝刈りし、推論を高速化する手法を提案。

詳しい要約

1. どんなもの?

- 世界行動モデル(WAMs)は将来の視覚状態とロボット行動を同時に予測するが、密な将来フレームトークンの処理が推論遅延を引き起こす。 - 本研究では、事前学習済みWAMsにおいて将来フレームトークンをプルーニングする訓練不要のフレームワークCF-Pruneを提案。 - 将来の視覚予測は行動生成を支援するため、高忠実度ビデオ合成に必要な全ての視覚詳細を保持する必要はないという洞察に基づく。

2. 先行研究と比べてどこがすごい?

- 従来のトークンプルーニング手法は主にビデオ生成や認識タスク向けであり、WAMsの行動生成に特化したものではない。 - CF-Pruneは訓練不要で、初期のデノイジング順伝播中に命令と行動のアテンションを組み合わせてタスク関連トークンを特定する点が新しい。 - エントロピーに基づくフェーズ識別機構により、精度が重要なフェーズでは密な計算を維持し、プルーニングによる性能劣化を軽減する。

3. 技術・手法の肝は?

- 初期のデノイジング順伝播において、命令アテンションと行動アテンションを組み合わせ、将来フレームと行動表現が非常にノイズが多い状態でもタスク関連トークンを識別。 - エントロピーに基づくフェーズ識別機構を導入し、精度フェーズでは密な計算を保持。 - 訓練不要のフレームワークであり、事前学習済みWAMsにそのまま適用可能。

4. どうやって有効だと検証した?

- RoboLab、RoboCasa、実世界のマニピュレーションタスクで実験を実施。 - 35%のプルーニング率で平均1.19-1.27倍の推論速度向上を達成し、タスク成功率も改善。 - 50%のプルーニング率では、両シミュレーションベンチマークで平均1.29-1.33倍の速度向上を達成し、全体の成功率はベースラインから1.0パーセントポイント以内。

5. 議論はある?

- プルーニング率が高い場合でも成功率を維持できるが、更なる高プルーニング率での性能や限界については要旨からは不明。 - 実世界タスクでの詳細な評価や、他のWAMsアーキテクチャへの汎用性については要旨からは不明。 - エントロピーに基づくフェーズ識別の閾値設定や感度分析については要旨からは不明。

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。 - 関連手法として、トークンプルーニング(例:Token Pruning)、ビデオ生成モデル(例:Video Diffusion Models)、世界モデル(例:World Models)、行動生成(例:Action Generation)が挙げられる。 - 同分野の定番として、RoboLab、RoboCasa、実世界マニピュレーションタスクのベースライン手法を参照すべき。

※ 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: Baekseung Kim, Junhoo Lee, Sohyeon Hong, Suhyun Jeon, Minkyu Kim, Seungyeon Kim, Donghoon Han, Nojun Kwak

分類: cs.RO

原文アブストラクト

World action models (WAMs) jointly predict future visual states and robot actions, but processing dense future-frame tokens incurs substantial inference latency. We propose CF-Prune, a training-free framework for pruning future-frame tokens in pretrained WAMs. Our key insight is that future visual predictions support action generation and therefore need not preserve every visual detail required for high-fidelity video synthesis. CF-Prune combines instruction and action attention to identify task-relevant tokens during the initial denoising forward pass, even when future-frame and action representations remain highly noisy. An entropy-based phase identification mechanism further retains dense computation during precision phases to mitigate pruning-induced performance degradation. Experiments on RoboLab, RoboCasa, and real-world manipulation tasks demonstrate consistent inference speedups. At a 35% pruning ratio, CF-Prune achieves average speedups of 1.19-1.27x while improving task success rates. At a 50% pruning ratio, it achieves 1.29-1.33x average speedups on both simulation benchmarks, with overall success rates within 1.0 percentage point of the baseline.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI