論文の概要: DriftingVLA: Native One-Step Vision-Language-Action Generation via Per-Dimension Temporal Drifting

• arxiv url: http://arxiv.org/abs/2608.29749v1
• Date: Sun, 30 Aug 2026 12:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.056037
• Title: DriftingVLA: Native One-Step Vision-Language-Action Generation via Per-Dimension Temporal Drifting
• Title（参考訳）: ドリフトティングVLA:1次元時間ドリフトによるネイティブワンステップビジョンランゲージ・アクションジェネレーション
• Abstract要約: 1ステップのVLAであるDriftingVLAを導入し、単一のアクション-エキスパートフォワードパスで完全なアクションチャンクを生成する。 PDTDは、各アクション次元の完全な時間軌道を別々のドリフト単位として扱う。 ネイティブのワンステップデプロイメントでは、アクションチャンク生成の3.36倍のスピードアップも実現している。
• 参考スコア（独自算出の注目度）: 39.60582204330191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional flow-based vision-language-action (VLA) models support expressive continuous action generation but rely on multi-step refinement to produce each action chunk, increasing latency in online robot control. To address this issue, we introduce DriftingVLA, a native one-step VLA that generates a complete action chunk with a single action-expert forward pass. Rather than learning a flow field that requires iterative integration at inference, DriftingVLA uses a distribution-drifting objective to learn a direct noise-to-action-chunk mapping for one-step deployment. Since robot action dimensions carry distinct control semantics and distributional characteristics, we further introduce Per-Dimension Temporal Drifting (PDTD). PDTD treats the complete temporal trajectory of each action dimension as a separate drifting unit, enabling finer-grained modeling and shaping of dimension-specific action distributions. This per-dimension decomposition applies only to the training objective; the shared VLA model still generates the complete action chunk jointly, thereby preserving cross-dimensional dependencies. DriftingVLA achieves 98.32% success on LIBERO, 81.09% on RoboTwin 2.0, and 77.67% across six real-world single- and dual-arm tasks, outperforming the evaluated multi-step flow policy and one-step VLA baselines. Native one-step deployment also delivers a 3.36-fold speedup in action-chunk generation, eliminating iterative refinement without sacrificing control performance.
• Abstract（参考訳）: 従来のフローベース視覚言語アクションモデル(VLA)は、表現力のある連続的なアクション生成をサポートするが、各アクションチャンクを生成するために多段階の改良に依存しており、オンラインロボット制御の遅延が増加する。 この問題に対処するために、DriftingVLAというネイティブなワンステップVLAを導入し、単一のアクション-エキスパートフォワードパスで完全なアクションチャンクを生成する。 DriftingVLAは、推論時に反復的な統合を必要とするフローフィールドを学ぶのではなく、分散ドリフトの目標を使用して、ワンステップデプロイメントのための直接ノイズ・ツー・アクション・チャンクマッピングを学習する。 ロボットの動作次元は、制御のセマンティクスと分布特性が異なるため、さらにパー・ディメンジョン・テンポラルドリフト(PDTD)を導入する。 PDTDは、各アクション次元の完全な時間軌道を別個のドリフト単位として扱い、ディメンション固有のアクション分布のよりきめ細かいモデリングと整形を可能にする。 この次元ごとの分解はトレーニング目的にのみ適用され、共有されたVLAモデルはいまだに完全なアクションチャンクを共同で生成し、それによって相互依存を保存する。 DriftingVLAは、LIBEROで98.32%、RoboTwin 2.0で81.09%、現実世界の6つのシングルアームおよびデュアルアームタスクで77.67%を達成し、評価されたマルチステップフローポリシーとワンステップVLAベースラインを上回っている。 ネイティブワンステップデプロイメントでは、アクション・チャンク生成の3.36倍のスピードアップも実現し、制御性能を犠牲にすることなく反復的な改善が不要になる。

関連論文リスト

• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• 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)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model [62.889356203346985]
  本稿では,モダリティ競合を処理する世界モデル拡張VLAフレームワークである Dual-STream diffusion (DUST) を提案する。 DUSTは標準のVLAベースラインと暗黙のワールドモデリングメソッドよりも最大6%向上する。 Franka Research 3による実世界のタスクでは、DUSTは成功率のベースラインを13%上回っている。
  論文  参考訳（メタデータ） (2025-10-31T16:32:12Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• 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)
• Accelerating Vision-Language-Action Model Integrated with Action Chunking via Parallel Decoding [24.1236728596359]
  VLA(Vision-Language-Action)モデルでは、一般化可能なロボット操作の可能性を示している。 本稿では,アクションチャンキングと統合されたVLAモデルのための最初の並列デコーディングフレームワークであるPD-VLAを提案する。 本フレームワークは,並列な固定点反復によって解く非線形システムとして自己回帰復号を再構成する。
  論文  参考訳（メタデータ） (2025-03-04T06:12:08Z)

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。