論文の概要: TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2606.06491v1
• Date: Thu, 04 Jun 2026 17:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:45.036959
• Title: TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies
• Title（参考訳）: TempoVLA: 速度制御可能なビジョンランゲージアクションポリシーを学習する
• Authors: Dong Jing, Jingchen Nie, Tianqi Zhang, Jiaqi Liu, Huaxiu Yao, Zhiwu Lu, Mingyu Ding,
• Abstract要約: 既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
• 参考スコア（独自算出の注目度）: 58.40033352838586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot manipulation alternates between low-risk transit phases that call for fast execution and high-risk contact stages that demand slow, precise motion. Yet existing Vision-Language-Action models (VLAs) only inherit a single fixed speed from training demonstrations. Prior efforts to accelerate VLAs through model compression, KV-cache reuse, or reinforcement learning only shift the policy from one fixed speed to another, and leave deceleration almost unexplored. We observe that the magnitude of each predicted action already governs how fast the robot moves, opening a direct route to controllable execution speed. We turn this observation into TempoVLA, a single VLA whose execution speed is controlled by an explicit condition. TempoVLA combines two coupled components. (1) A data-side Variable-Speed Trajectory Augmentation (VSTA) that re-times demonstration to any target speed by merging or splitting actions while preserving its motion semantics. (2) A model-side conditioning mechanism that feeds the speed to the policy. Statistics show that VSTA reaches the requested speed with negligible motion error. Experiments in simulation and on real-world tasks demonstrate that TempoVLA achieves flexible speed control in both directions, while VSTA additionally boosts the default $1\times$ performance via better data utilization. Furthermore, by cooperating with a large multimodal model, TempoVLA realizes dynamic speed control, accelerating through low-risk phases and decelerating for high-risk ones.
• Abstract（参考訳）: ロボットの操作は、高速な実行を要求する低リスクのトランジットフェーズと、スローで正確な動きを要求する高リスクのコンタクトステージを交互に行う。 しかし、既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度しか継承していない。 モデル圧縮、KV-cache再利用、強化学習を通じてVLAを加速する以前の取り組みは、ポリシーを1つの一定の速度から別の速度にのみシフトさせ、減速をほとんど未探索のままにしておく。 予測された動作の大きさはロボットの動きの速さを制御し、制御可能な実行速度への直接の経路を開くことを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。 TempoVLAは2つの結合コンポーネントを組み合わせる。 1) 動作のセマンティクスを保ちながら動作をマージまたは分割することにより、任意の目標速度に復調するデータ側可変高速軌道拡張(VSTA)。 2)ポリシーに速度を供給するモデル側条件付け機構。 統計学により、VSTAは無視可能な動作誤差で要求された速度に達することが示されている。 シミュレーションと実世界のタスクの実験では、TempoVLAが両方向の柔軟な速度制御を実現しているのに対し、VSTAはデータ利用の改善によってデフォルトの1ドル/times$パフォーマンスも向上している。 さらに,TempoVLAは,大規模マルチモーダルモデルと協調して動的速度制御を実現し,低リスクフェーズを加速し,高リスクモデルでは減速する。

関連論文リスト

• Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward [11.066720921275648]
  視覚言語アクション(VLA)モデルは、ロボット操作に非常に有望である。 厳格な産業用ロボットへの展開は、コンプライアンスと応答性の本質的にのトレードオフのため、依然として困難である。 本稿では、このトレードオフを解決するために、速度フィードフォワード項をVLAポリシーに統合することの重要性を示す。
  論文  参考訳（メタデータ） (2026-03-17T07:50:00Z)
• VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots [5.308743386891208]
  VLA(Vision-Language-Action)モデルは、ロボット工学において画期的な進歩を遂げた。 連続したアクションチャンクのキューを融合する戦略は、VLAモデル全体のパフォーマンスに大きな影響を与える。 既存の方法は、ロボットアクションの実行時にジッタ、ストール、あるいは停止に悩まされる。 本稿では,モデル推論とロボット動作制御を非同期に行うように設計された新しいフレームワークであるVLA-RAILを紹介する。
  論文  参考訳（メタデータ） (2025-12-31T06:59:42Z)
• Asynchronous Fast-Slow Vision-Language-Action Policies for Whole-Body Robotic Manipulation [10.09057399213028]
  Vision-Language-Action(VLA)システムは、意味論的推論のためのVision-Language Model(VLM)と、連続的なアクション信号を生成するアクションエキスパートを統合する。 本稿では,非同期なFast-Slow VLAフレームワーク(DuoCore-FS)を導入し,アクション生成のための高速経路とリッチなVLM推論のための遅い経路にシステムを編成する。
  論文  参考訳（メタデータ） (2025-12-23T09:28:20Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)

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。