論文の概要: DySL-VLA: Efficient Vision-Language-Action Model Inference via Dynamic-Static Layer-Skipping for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2602.22896v3
• Date: Tue, 17 Mar 2026 07:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.734311
• Title: DySL-VLA: Efficient Vision-Language-Action Model Inference via Dynamic-Static Layer-Skipping for Robot Manipulation
• Title（参考訳）: DySL-VLA:ロボットマニピュレーションのための動的静的層スキッピングによる効率的な視覚・言語・行動モデル推論
• Authors: Zebin Yang, Yijiahao Qi, Tong Xie, Bo Yu, Shaoshan Liu, Meng Li,
• Abstract要約: 本稿では,各アクションの重要性に基づいて動的にVLA層をスキップすることで,計算コストに対処する新しいフレームワークDySL-VLAを提案する。 実験の結果,DySL-VLAはCalvinデータセット上のDeer-VLAよりも2.1%向上していることがわかった。
• 参考スコア（独自算出の注目度）: 7.958222488148539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models have shown remarkable success in robotic tasks like manipulation by fusing a language model's reasoning with a vision model's 3D understanding. However, their high computational cost remains a major obstacle for real-world applications that require real-time performance. We observe that the actions within a task have varying levels of importance: critical steps demand high precision, while less important ones can tolerate more variance. Leveraging this insight, we propose DySL-VLA, a novel framework that addresses computational cost by dynamically skipping VLA layers based on each action's importance. DySL-VLA categorizes its layers into two types: informative layers, which are consistently executed, and incremental layers, which can be selectively skipped. To intelligently skip layers without sacrificing accuracy, we invent a prior-post skipping guidance mechanism to determine when to initiate layer-skipping. We also propose a skip-aware two-stage knowledge distillation algorithm to efficiently train a standard VLA into a DySL-VLA. Our experiments indicate that DySL-VLA achieves 2.1% improvement in success length over Deer-VLA on the Calvin dataset, while simultaneously reducing trainable parameters by a factor of 85.7 and providing a 3.75x speedup relative to the RoboFlamingo baseline at iso-accuracy. Our code is available on https://github.com/PKU-SEC-Lab/DYSL_VLA.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、言語モデルの推論を視覚モデルの3D理解と融合させることによって、操作のようなロボットタスクにおいて顕著な成功を収めた。 しかし、その高い計算コストは、リアルタイム性能を必要とする実世界のアプリケーションにとって大きな障害であり続けている。 重要なステップは高い精度を要求するが、重要でないステップはよりばらつきを許容できる。 この知見を生かして,各アクションの重要性に基づいて動的にVLA層をスキップすることで計算コストに対処する新しいフレームワークDySL-VLAを提案する。 DySL-VLAは、その層を2つのタイプに分類する。 精度を犠牲にすることなく、インテリジェントに層をスキップするために、いつ層をスキップするかを判断する事前スキップ誘導機構を発明する。 また,標準的なVLAをDySL-VLAに効率よく学習するための,スキップ対応二段階知識蒸留アルゴリズムを提案する。 実験の結果,DySL-VLAはCalvinデータセット上でDeer-VLAよりも2.1%向上し,トレーニング可能なパラメータを85.7倍に削減し,同精度でRoboFlamingoベースラインに対して3.75倍の高速化を実現した。 私たちのコードはhttps://github.com/PKU-SEC-Lab/DYSL_VLAで公開されています。

関連論文リスト

• Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success [100.226572152954]
  視覚言語アクションモデル(VLA)のための最適化された微調整レシピを提案する。 われわれのレシピはOpenVLAの4つのタスクスイートの平均成功率を76.5%から97.1%に引き上げ、アクション生成のスループットを26$times$に向上させた。 実世界の評価において、我々の微調整のレシピにより、OpenVLAはバイマガルALOHAロボット上でデクスタラスで高周波な制御タスクをうまく実行することができる。
  論文  参考訳（メタデータ） (2025-02-27T00:30:29Z)
• HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation [54.03004125910057]
  階層型視覚-言語-アクションモデルは、標準的なモノリシックVLAモデルよりも、ドメイン外のデータを利用するのに効果的であることを示す。 階層設計により、高レベルなVLMは、オフドメイン微調整データと実ロボットテストシナリオの間の重要なドメインギャップをまたいで転送可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-08T07:50:22Z)
• TinyVLA: Towards Fast, Data-Efficient Vision-Language-Action Models for Robotic Manipulation [32.406783380729024]
  VLA(Vision-Language-Action)モデルは、エンド・ツー・エンドの学習プロセスを通じて、視覚運動制御と命令理解において顕著な可能性を示している。 現在のVLAモデルは、推論中に遅くなり、大量のロボットデータに対して広範な事前トレーニングを必要としているため、重大な課題に直面している。 既存のVLAモデルに対して2つのアドバンテージを提供する,TinyVLAと呼ばれる,コンパクトな視覚言語アクションモデルを導入した。
  論文  参考訳（メタデータ） (2024-09-19T07:10:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。