論文の概要: Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation

• arxiv url: http://arxiv.org/abs/2608.14379v1
• Date: Fri, 14 Aug 2026 15:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.41836
• Title: Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation
• Title（参考訳）: 反射:反応臨界マニピュレーションのための高速かつ予測可能な視覚・言語・反応モデル
• Abstract要約: VLA(Vision-Language-Action)モデルは最近、ロボット操作において有望なパフォーマンスを達成した。 本稿では,反応臨界操作のベンチマークであるReflexBenchを紹介する。 ReflexBenchに基づいて,反応臨界操作のための効率的なVLAモデルであるReflexVLAを提案する。
• 参考スコア（独自算出の注目度）: 15.635041548277492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have recently achieved promising performance in robotic manipulation. However, existing benchmarks mainly evaluate generalization on static manipulation tasks and largely overlook dynamic interaction scenarios. To address this gap, we present ReflexBench, a benchmark for reaction-critical manipulation. ReflexBench contains six dynamic tasks and introduces an evaluation framework that decouples simulator stepping from robot control while supporting configurable latency under synchronous and asynchronous inference. Building upon ReflexBench, we propose ReflexVLA, an efficient VLA model designed for reaction-critical manipulation without large-scale robot-data pretraining. ReflexVLA enhances temporal reasoning through latent future prediction and multi-frame temporal fusion within the vision backbone, while reducing deployment latency through batched visual encoding and CUDA Graph replay. Experiments show that ReflexVLA consistently improves dynamic manipulation performance while maintaining competitive accuracy on standard static manipulation benchmarks, and real-world experiments further demonstrate its effectiveness under practical deployment conditions. Project website: https://reflexvla.github.io
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは最近、ロボット操作において有望なパフォーマンスを達成した。 しかし、既存のベンチマークは主に静的操作タスクの一般化を評価し、動的相互作用のシナリオを概ね見落としている。 このギャップに対処するために、反応クリティカルな操作のベンチマークであるReflexBenchを紹介する。 ReflexBenchには6つの動的タスクが含まれており、同期および非同期推論の下で設定可能なレイテンシをサポートしながら、シミュレータをロボット制御から切り離す評価フレームワークが導入されている。 ReflexBenchをベースとしたReflexVLAは,大規模なロボットデータの事前学習を行うことなく,反応クリティカルな操作が可能な効率的なVLAモデルである。 ReflexVLAは、将来の遅延予測とビジョンバックボーン内の複数フレームの時間的融合による時間的推論を強化し、バッチ化されたビジュアルエンコーディングとCUDA Graphリプレイによるデプロイメントのレイテンシを低減する。 実験により、ReflexVLAは標準的な静的な操作ベンチマークの競合精度を維持しつつ、動的操作性能を一貫して改善し、実世界の実験は実際の配置条件下でその効果をさらに実証している。 プロジェクトウェブサイト:https://reflexvla.github.io

関連論文リスト

• StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
  StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。 追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。 メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-26T17:33:19Z)
• Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference [19.683948028719808]
  VLA(Vision-Language-Action)モデルは、ロボット操作の強力な一般化を示すが、その高い推論遅延はリアルタイムデプロイメントを制限する。 本稿では,知覚と行動生成の両面での計算量を削減するシステムレベル加速戦略を提案する。 Libero、RobotWin、Real Robot Platformsの実験では、ハイパフォーマンスを維持しながら、2倍以上のスピードアップを実証している。
  論文  参考訳（メタデータ） (2026-07-14T02:48:31Z)
• ReactVLA: Fast and Lightweight Reactive Robot Manipulation via Improved Mean Flow Action Generation [6.976481623762446]
  textttReactVLAは、リアルタイムロボット操作のための軽量で低レイテンシなVLAフレームワークである。 textttReactVLAは、同じサイズのVLAベースラインを一貫して上回る。 現実世界のポリシーのレイテンシを38.6ミリ秒以下に短縮し、物理ロボットプラットフォームでの高速な反応性制御を可能にする。
  論文  参考訳（メタデータ） (2026-06-12T08:33:37Z)
• VLA-IAP: Training-Free Visual Token Pruning via Interaction Alignment for Vision-Language-Action Models [27.12266806191131]
  VLA(Vision-Language-Action)モデルは、ロボットが複雑な命令駆動タスクを実行できるように、急速に高度なインボディードインテリジェンスを備えている。 現在のアプローチはしばしば、操作をサポートする視覚的にスパースで構造的に重要な領域を創り出し、初期のタスクフェーズの不安定な振る舞いを引き起こす。 提案手法であるVLA-IAP(Interaction-Aligned Pruning)では,構造的アンカーを保存するための幾何学的事前メカニズムと動的スケジューリング戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-24T09:33:05Z)
• See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
  本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
  論文  参考訳（メタデータ） (2026-03-10T07:22:51Z)
• SPIRAL: A Closed-Loop Framework for Self-Improving Action World Models via Reflective Planning Agents [135.00390535239129]
  本稿では,自己改善型計画および反復的行動世界モデリングフレームワークであるSPIRALを紹介する。 SPIRALはActWMをクローズドループシンク-アクト-リフレクションプロセスとして定式化し、そこで生成は明示的な計画とフィードバックの下で段階的に進行する。 複数のTI2Vバックボーンに対する実験は、ActWM-Benchとメインストリームのビデオ生成ベンチマークで一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-03-09T14:00:36Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• 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)
• DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation [52.83157499300261]
  時間的推論と閉ループ適応を統合した動的オブジェクト操作のフレームワークであるDynamicVLAを提案する。 我々は、自動データ収集パイプラインでスクラッチから構築されたDynamic Object Manipulationベンチマークを紹介します。 広範囲な評価は、応答速度、知覚、一般化の顕著な改善を示している。
  論文  参考訳（メタデータ） (2026-01-29T18:59:51Z)
• 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)
• Action-aware Dynamic Pruning for Efficient Vision-Language-Action Manipulation [27.007611140797852]
  既存の手法では、VLAモデル内の視覚的冗長性を低減し、推論速度を最適化する。 textbfAction-aware textbfDynamic textbfPruning (textbfADP)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:13:02Z)
• CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
  CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。 CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。 これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
  論文  参考訳（メタデータ） (2025-06-24T17:30:27Z)

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。