論文の概要: SMILE: Smooth Motion for Improved Long-Horizon VLA Execution

• arxiv url: http://arxiv.org/abs/2608.29432v1
• Date: Sat, 29 Aug 2026 20:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.958476
• Title: SMILE: Smooth Motion for Improved Long-Horizon VLA Execution
• Title（参考訳）: SMILE: 長距離VLA実行改善のためのスムースモーション
• Abstract要約: VLA(Vision-Language-Action)モデルは、呼び出し毎に複数のアクションを実行することで推論コストを削減するが、生のチャンクにはジッタとアウトリーが含まれているため、より長い水平線はしばしば精度を低下させる。 本稿では,B-スプライン係数を予測し,それらをスムーズな動作シーケンスに復号するアーキテクチャ保存インタフェースSMILEを紹介する。 SMILEをSmolVLA, Evo1, VPP, DAWNに適用し, LIBERO, CALVIN, 実世界の実験における精度の向上と推論効率の向上を図る。
• 参考スコア（独自算出の注目度）: 36.13181247283821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models reduce inference cost by executing multiple actions per call, but longer horizons often degrade accuracy because raw chunks contain jitter and outliers. We introduce SMILE, an architecture-preserving interface that predicts B-spline coefficients and decodes them into smooth action sequences. SMILE changes only the action representation, enabling longer fixed horizons while retaining each baseline's backbone and model scale. We apply SMILE to SmolVLA, Evo1, VPP, and DAWN, improving accuracy and amortized inference efficiency across LIBERO, CALVIN, and real-world experiments. SMILE-Evo1 reaches 98.0% with a 1.1x speedup on LIBERO, while SMILE-VPP reaches an average length of 4.42 with a 1.5x speedup on CALVIN. At a matched execution horizon of 10, SMILE-SmolVLA reduces non-boundary acceleration by 78.6% and velocity sign-change rate by 42.3%. Real-world xArm tests show higher success, fewer drops, and fewer contacts. These results establish smooth coefficient-space generation as a route to accurate, efficient long-horizon VLA execution. Project page: jongwoopark7978.github.io/smilevla
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、呼び出し毎に複数のアクションを実行することで推論コストを削減するが、生のチャンクにはジッタとアウトリーが含まれているため、より長い水平線はしばしば精度を低下させる。 本稿では,B-スプライン係数を予測し,それらをスムーズな動作シーケンスに復号するアーキテクチャ保存インタフェースSMILEを紹介する。 SMILEはアクション表現だけを変更し、各ベースラインのバックボーンとモデルスケールを維持しながら、より長い固定水平線を可能にする。 SMILEをSmolVLA, Evo1, VPP, DAWNに適用し, LIBERO, CALVIN, 実世界の実験における精度の向上と推論効率の向上を図る。 SMILE-Evo1はLIBEROの1.1倍のスピードアップで98.0%、SMILE-VPPはCALVINの1.5倍のスピードアップで平均4.42に達する。 10の一致した実行地平線では、SMILE-SmolVLAは非境界加速度を78.6%、速度変化率を42.3%削減する。 実世界のxArmテストは、より高い成功、少ないドロップ、少ないコンタクトを示している。 これらの結果は、正確で効率的な長距離VLA実行への経路としてスムーズな係数空間生成を確立する。 プロジェクトページ:jongwoopark7978.github.io/smilevla

関連論文リスト

• IMLE-VLA: Fast Single-Step Action Generation for Vision-Language-Action Policies [21.67040873250993]
  視覚言語アクション(VLA)ポリシーは、トレーニング済みの視覚言語バックボーンを活用して、強力なクロスタスクの一般化を実現する。 本稿では, 反復動作ヘッドを条件付きImplicit Maximum Likelihood Estimation (cIMLE) を用いて訓練した単一ステップ条件生成器に置き換えるIMLE-VLAを提案する。 IMLE-VLAを$_0.5$にすると、推論周波数3.67x(55Hz vs. 15Hz)が増加し、アクションスループットは最大11倍になる。
  論文  参考訳（メタデータ） (2026-09-10T00:00:32Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  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。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• CrossVLA: Cross-Paradigm Post-Training and Inference Optimization for Vision-Language-Action Models [7.489020109808801]
  われわれは,クロスパラダイム・ビジョン・ランゲージ・アクション(VLA)のポストトレーニングに関する実証的研究であるCrossVLAを報告する。 i) 確率フローODE統合なしでDPOを連続動作バックボーンで操作できる代理フローマッチングログ確率推定器、(ii) VLA DPOのパラメータ係数層としてのLoRAとDoRAの頭と頭の比較、(iii) ノイズループを示す推論時間解剖学は、サンプル_actions遅延の78.6%、プレフィックス-K/Vキャッシングのラを支配している。
  論文  参考訳（メタデータ） (2026-05-21T01:02:41Z)
• SnapFlow: One-Step Action Generation for Flow-Matching VLAs via Progressive Self-Distillation [18.319705014361908]
  VLA(Vision-Language-Action)モデルは、最先端の汎用ロボット操作を実現する。 最新のGPUでは、denoisingだけで、エンドツーエンドの推論時間の80%を占めています。 本稿では,複数ステップのデノイングを1つの前方パスに圧縮する,プラグアンドプレイの自己蒸留法であるSnapFlowを提案する。
  論文  参考訳（メタデータ） (2026-04-07T09:56:03Z)
• LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies [54.150202739999806]
  LiLo-VLAは、新しいロングホライゾンタスクに対してゼロショットのモジュラリティをトレーニングすることなく実現できるモジュラーフレームワークである。 LIBERO-Long++とUltra-Longという2つの課題からなる21タスクのシミュレーションベンチマークを導入する。 これらのシミュレーションでは、LiLo-VLAは平均成功率69%を達成し、Pi0.5を41%、OpenVLA-OFTを67%上回った。
  論文  参考訳（メタデータ） (2026-02-25T03:33:39Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• EvoVLA: Self-Evolving Vision-Language-Action Model [11.746804244345613]
  VLA(Vision-Language-Action)モデルでは、長い水平ロボット操作が依然として難しい。 本稿では,3つの相補的コンポーネントを通じてこの問題に対処する自己教師型VLAフレームワークであるEvoVLAを紹介する。 EvoVLAはサンプル効率を1対半改善し、ステージ幻覚を38.5%から14.8%に下げる。
  論文  参考訳（メタデータ） (2025-11-20T09:08:33Z)
• Towards Fast LLM Fine-tuning through Zeroth-Order Optimization with Projected Gradient-Aligned Perturbations [23.409093103129706]
  ゼロ階数最適化(ZO)を用いた細調整大型言語モデル(LLM)が,従来の勾配法に代わる有望な代替手段として登場した。 既存のZO法は勾配推定のばらつきに悩まされ、大規模なモデルでは収束が遅く、最適以下の性能が低下する。 本稿では,P-GAPを提案する。
  論文  参考訳（メタデータ） (2025-10-21T02:19:11Z)
• Leave No Observation Behind: Real-time Correction for VLA Action Chunks [36.13271200613596]
  非同期アクションチャンク補正(A2C2)は、制御ステップ毎に実行される軽量なリアルタイムチャンク補正ヘッドである。 A2C2は,高容量チャンキングポリシーをリアルタイム制御に展開するための効果的なプラグイン機構であることを示す。
  論文  参考訳（メタデータ） (2025-09-27T10:07:49Z)
• Zeroth-Order Fine-Tuning of LLMs in Random Subspaces [63.10833446782114]
  言語モデルのサイズが大きくなるにつれて、バックプロパゲーションに対するメモリ要求が増加する。 Zeroth-order (ZO) 最適化手法はメモリ効率の良い代替手段を提供する。 本稿では,高次元摂動によって生じる課題に対処するために,部分空間ゼロ次最適化を提案する。
  論文  参考訳（メタデータ） (2024-10-11T17:01:43Z)
• Rotated Runtime Smooth: Training-Free Activation Smoother for accurate INT4 inference [54.2589824716527]
  大規模言語モデルは、その大規模なため、相当な計算とメモリ移動コストを発生させる。 既存のアプローチでは、外れ値と通常の値を2つの行列に分けたり、アクティベーションからウェイトに移行したりしています。 Smooth と Rotation 操作からなる量子化のためのプラグ・アンド・プレイ・アクティベーション・スムーザである Rotated Smooth (RRS) を提案する。 提案手法は,LLaMAおよびQwenファミリーにおける最先端の手法より優れており,IF4推論におけるWikiText-2の難易度は57.33から6.66に向上している。
  論文  参考訳（メタデータ） (2024-09-30T14:59:22Z)

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。