論文の概要: ComVLA: Communication-Aware Split Inference for VLA Models in 6G-Connected Robotics

• arxiv url: http://arxiv.org/abs/2609.07838v1
• Date: Mon, 07 Sep 2026 18:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 20:55:42.502012
• Title: ComVLA: Communication-Aware Split Inference for VLA Models in 6G-Connected Robotics
• Title（参考訳）: ComVLA:6G接続ロボットにおけるVLAモデルのための通信認識スプリット推論
• Abstract要約: 本稿では,ビジョンランゲージ・アクショントークンの予算をチャネル容量に適応させるフレームワークを提案する。 ComVLAは、オリジナルのOpenVLA-OFTベースラインと比較して、推論計算を74%削減し、推論レイテンシを22%削減した。 その結果,共同言語VLA推論と無線通信は6G接続型ロボットの実用化の方向性を示す。
• 参考スコア（独自算出の注目度）: 39.8807633060402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Connected robotics is an emerging 6G application where mobile robots follow natural-language instructions to manipulate physical objects. The Vision-Language-Action (VLA) models that enable this are too large to run on the robot; a common trend is to offload inference to the cloud. The wireless link, however, limits how much sensing data the edge can transmit per control step. Two recent lines address this constraint: semantic communication codecs compress sensor data but require channel-specific retraining, and VLA token pruners select tokens from image but ignore the channel. Our insight is that the dense semantic information contained in the language already indicates which visual tokens matter. We propose ComVLA, a framework that uses this language guidance to adapt the VLA token budget to the channel capacity. Transmitting 32 tokens instead of 512 on the LIBERO benchmark, ComVLA cuts inference compute by 74% and inference latency by 22% versus the original OpenVLA-OFT baseline, at a cost of 1.5 pp in average task success (95.4% vs. 96.9%), and it stays within the capacity budget under Rayleigh and Rician fading. These results demonstrate that co-designing VLA inference and wireless communication is a practical direction for 6G-connected robotics.
• Abstract（参考訳）: コネクテッド・ロボティクス(Connected Roboticss)は、移動ロボットが物体を操作するための自然言語の指示に従う、新しい6Gアプリケーションだ。 これはVLA(Vision-Language-Action)モデルで、ロボット上で動作するには大きすぎる。 しかし、ワイヤレスリンクは、エッジが制御ステップ毎にどれだけのセンシングデータを送信できるかを制限する。 セマンティック通信コーデックはセンサデータを圧縮するが、チャネル固有のリトレーニングを必要とし、VLAトークンプルーナーは画像からトークンを選択するが、チャネルを無視する。 我々の洞察では、言語に含まれる密接な意味情報は、どの視覚的トークンが重要かをすでに示している。 我々は,この言語ガイダンスを用いて,VLAトークンの予算をチャネル容量に適応させるフレームワークであるComVLAを提案する。 LIBEROベンチマークで512ではなく32トークンを送信し、ComVLAは推論計算を74%削減し、最初のOpenVLA-OFTベースラインに対して22%削減した。 これらの結果から,VLA推論と無線通信を共同設計することが,6G接続ロボット工学の実践的方向性であることが示唆された。

関連論文リスト

• V-Link: Recovering Lost Visual Representations in Action DiT for Vision-Language-Action Models [19.466602886959866]
  本稿では,視覚言語(VL)から機能伝達(A)までの視覚的表現を明示的に復元するV-Linkを提案する。 V-LinkはベースモデルGR00T N1.6よりも平均成功率を+1.9%、+31.2%、+18.8%向上させることを示した。 AGIBOT A3 Ultraでは、V-Linkはさらに2つの現実世界のヒューマノイドタスクで+20%と+24%のゲインを達成している。
  論文  参考訳（メタデータ） (2026-08-26T02:32:18Z)
• TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM [48.08028534478592]
  視覚言語アクション(VLA)モデルは一般的にLLM中心の$VをLからA$経路に採用する。 我々は,従来の$V から L への変換を,直接$V + L から A$ への写像として行う新しい VLA パラダイムである TurboVLA を導入する。 LIBEROでは、TurboVLAは平均97.7%成功し、0.2Bパラメータと31.2msの推論遅延、0.9GBの推論VRAMしか得られなかった。
  論文  参考訳（メタデータ） (2026-07-29T17:59:58Z)
• Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models? [33.83065196198769]
  VLA(Vision-Language-Action)モデルは、命令駆動型ロボット操作を可能にするが、事前訓練されたVLMから過大な言語バックボーンを継承する。 クローズドループ制御には,実際にVLAモデルがどの程度必要か,という疑問が浮かび上がっています。 本稿では, 変圧器ブロック除去を制御介入として用いたVLAモデルのアーキテクチャ冗長性について検討する。
  論文  参考訳（メタデータ） (2026-06-26T06:22:17Z)
• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models [2.5338045371474816]
  VLA(Vision-Language-Action)モデルは、単一のアーキテクチャにおける知覚、言語、運動制御を組み合わせたモデルである。 394,000回以上のロールアウトエピソードにまたがる80M--7Bパラメータに,アクティベーションインジェクション,スパースオートエンコーダ,線形プローブを適用した。
  論文  参考訳（メタデータ） (2026-03-19T17:59:55Z)
• LLaRA: Supercharging Robot Learning Data for Vision-Language Policy [56.505551117094534]
  我々はLLaRA: Large Language and Robotics Assistantを紹介した。 まず、既存の行動クローニングデータセットからロボットのための会話スタイルの指導データを生成する自動パイプラインを提案する。 このようなデータセットを限定的に微調整したVLMは、ロボット制御において有意義な行動決定を導出できることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:59:12Z)
• OpenVLA: An Open-Source Vision-Language-Action Model [131.74098076670103]
  我々は、970kの現実世界のロボットデモの多様なコレクションに基づいて訓練されたオープンソースのVLAであるOpenVLAを紹介した。 OpenVLAは汎用的な操作の強力な結果を示し、RT-2-X (55B) のようなクローズドモデルよりも16.5%高い絶対的なタスク成功率を示した。 モデルチェックポイント、微調整ノートブック、そしてOpen X-Embodimentデータセット上で大規模にVLAをトレーニングするためのビルトインサポートを備えたPyTorchをリリースしています。
  論文  参考訳（メタデータ） (2024-06-13T15:46:55Z)
• Implicit Channel Learning for Machine Learning Applications in 6G Wireless Networks [43.323384292764324]
  6Gの機械学習(ML)は、仮想現実や拡張現実、車載自律性、コンピュータビジョンといった新興アプリケーションを強化し、支援することが期待されている。 本稿では、暗黙的なチャネル学習を導入し、無線チャネルを推定することなくMLタスクを実行する。 チャネル推定なしでは、様々なシナリオに対する画像と音声の分類タスクが約60%改善されている。
  論文  参考訳（メタデータ） (2022-06-24T07:45:10Z)

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。