論文の概要: Acting While Understanding: Asynchronous Semantic-Action Decoupling for Real-Time Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2606.15285v1
• Date: Sat, 13 Jun 2026 12:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.252851
• Title: Acting While Understanding: Asynchronous Semantic-Action Decoupling for Real-Time Vision-Language-Action Models
• Title（参考訳）: 理解しながら行動する:リアルタイムビジョン・ランゲージ・アクションモデルのための非同期セマンティック・アクション・デカップリング
• Authors: Shenhao Yan, Ge Wang, Qi Liu, Weilin Meng, Jiahao Yang, Chengsi Yao, Fan Feng, Xiaoguang Ma, Yiming Zhao, Yatong Han,
• Abstract要約: VLA(Vision-Language-Action Model)は、ロボット操作において強力なタスク理解と一般化を実証している。 本稿では,意味的理解と行動生成を分離する非同期なセマンティック・アクション・デカップリング・フレームワークを提案する。 提案手法は,最大35.6Hzのサーバ側動作モジュール推論スループットを実現し,高周波クローズドループ制御への低侵襲パスを提供する。
• 参考スコア（独自算出の注目度）: 26.864668803085888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action models (VLAs) have demonstrated strong task understanding and generalization in robotic manipulation, yet the high computational cost of full-model inference limits their deployment in low-latency, high-frequency closed-loop control. We propose an asynchronous semantic-action decoupling framework that separates semantic understanding from action generation along the internal semantic-action interface of existing VLAs, without redesigning the vision-language backbone or introducing an external planner. A low-frequency understanding module asynchronously updates reusable semantic conditions, while a high-frequency action module continuously outputs control actions without repeatedly invoking the full model. To mitigate the temporal mismatch between stale semantics and the current execution state, we further introduce historical action conditioning and time-misalignment training, which provide short-horizon execution context and improve feedback control robustness under stale semantic conditions. Experiments on LIBERO with $π_{0.5}$ and UniVLA, together with real-robot deployment using UniVLA, show that the proposed framework achieves up to 35.6 Hz server-side action-module inference throughput and offers a low-intrusion path to high-frequency closed-loop control without running full VLA inference at control rate.
• Abstract（参考訳）: VLA(Vision-Language-Action Model)は、ロボット操作において強力なタスク理解と一般化を実証しているが、フルモデル推論の計算コストが高いため、低レイテンシで高周波閉ループ制御への展開が制限されている。 視覚言語バックボーンを再設計したり、外部プランナーを導入することなく、既存のVLAの内部セマンティック・アクション・インタフェースに沿って、セマンティック理解とアクション生成を分離する非同期セマンティック・アクション・デカップリング・フレームワークを提案する。 低周波理解モジュールは、再利用可能なセマンティック条件を非同期に更新し、高周波動作モジュールは、フルモデルを繰り返し呼び出すことなく、継続的に制御アクションを出力する。 静的なセマンティクスと現在の実行状態の時間的ミスマッチを緩和するため、我々はさらに過去の行動条件と時間的ミスアライメントトレーニングを導入し、短水平な実行コンテキストを提供し、静的なセマンティクス条件下でのフィードバック制御の堅牢性を改善する。 LIBEROと$π_{0.5}$およびUniVLAの実験は、UniVLAを用いた実ロボット配置とともに、提案フレームワークが最大35.6Hzのサーバ側アクションモジュール推論スループットを実現し、制御速度で完全なVLA推論を実行することなく、高周波閉ループ制御への低侵襲パスを提供することを示した。

関連論文リスト

• Closed-Loop Neural Activation Control in Vision-Language-Action Models [19.22723477431829]
  本稿では,静的干渉強度を適応時間変化制御信号に置き換えるクローズドループフレームワークを提案する。 我々はこのフレームワークをPIDと強化学習ベースのコントローラの両方でインスタンス化する。 実験により、残留STEERは固定係数ベースラインよりも安定な概念規制とステアリングタスク成功トレードオフを実現することが示された。
  論文  参考訳（メタデータ） (2026-05-29T18:59:53Z)
• Sentinel-VLA: A Metacognitive VLA Model with Active Status Monitoring for Dynamic Reasoning and Error Recovery [62.75419724651416]
  textbfSentinel-VLAは,リアルタイム実行状況を監視するアクティブセンチネルモジュールを備えたメタ認知型VLAモデルである。 すべてのトレーニングデータは、設計したパイプラインを通じて自動生成され、注釈付けされます。 実世界の実験では、Sentinel-VLAはSOTAモデルであるPI0と比較してタスク成功率を30%以上向上することを示した。
  論文  参考訳（メタデータ） (2026-05-02T02:10:54Z)
• StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation [30.881585159777714]
  視覚言語アクション(VLA)モデルは、自然言語による知覚と制御において例外的な性能を示した。 VLAモデルの高い計算コストは、大きな効率上の課題をもたらす。 本稿では,VLAステージ間で非同期並列化が可能なVLAを実現することを提案する。
  論文  参考訳（メタデータ） (2026-03-30T15:23:27Z)
• 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)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments [23.799083918923344]
  本稿では,動作生成中に遅延セマンティック推論を明示的にモデル化する遅延認識フレームワークであるThink-in-Control (TIC)-VLAを紹介する。 TIC-VLAは、遅延視覚言語セマンティックステートと明示的な遅延メタデータのアクション生成を条件とする遅延セマンティックコントロールインターフェースを定義する。 現実的な評価を支援するために,動的環境における言語誘導ナビゲーションのための物理精度の高いフォトリアリスティック・シミュレーションスイートDynaNavを提案する。
  論文  参考訳（メタデータ） (2026-02-02T18:47:49Z)
• AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
  VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。 AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。 ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-01-27T14:10:39Z)
• VITA-E: Natural Embodied Interaction with Concurrent Seeing, Hearing, Speaking, and Acting [66.90028121194636]
  現在のビジョン・ランゲージ・アクション(VLA)モデルは、しばしば堅固で静的な相互作用パラダイムによって制約される。 VITA-Eは、動作とほぼリアルタイムの割り込みの両方のために設計された、新しい具体的相互作用フレームワークである。
  論文  参考訳（メタデータ） (2025-10-21T17:59:56Z)
• 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。