論文の概要: IMLE-VLA: Fast Single-Step Action Generation for Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2609.10915v1
• Date: Thu, 10 Sep 2026 00:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.164643
• Title: IMLE-VLA: Fast Single-Step Action Generation for Vision-Language-Action Policies
• Title（参考訳）: IMLE-VLA:ビジョンランゲージ・アクション・ポリシーのための高速シングルステップアクション生成
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.67040873250993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies leverage pretrained vision-language backbones to achieve strong cross-task generalization. A leading design couples this backbone with a dedicated continuous action head trained via diffusion or flow matching. However, such heads rely on iterative multi-step sampling, for example 10 Euler steps in $π_{0.5}$. This creates an inference bottleneck that produces stop-and-go movement in the robot and slower task completion. We introduce IMLE-VLA, which replaces the iterative action head with a single-step conditional generator trained via conditional Implicit Maximum Likelihood Estimation (cIMLE). The cIMLE objective promotes multimodal action coverage, avoiding the mode collapse of naive regression heads while eliminating multi-step sampling entirely. When IMLE-VLA is applied to $π_{0.5}$, it increases inference frequency 3.67x (55 Hz vs. 15 Hz), enabling up to 11x higher action throughput. On the 40-task LIBERO benchmark, IMLE-VLA achieves the highest average success rate (98.0%) among all baselines while leading in inference frequency. Under the test-time perturbations of LIBERO-plus, IMLE-VLA retains $π_{0.5}$'s robustness while other baselines degrade sharply, confirming that the cIMLE head preserves generalization. Real-world experiments on a Franka Emika Panda across four tasks demonstrate smoother motion (2.2x to 3.0x lower jerk) and faster task completion, with IMLE-VLA outperforming $π_{0.5}$ on every task and reducing average VLA inference time per episode by 3.9x to 6.6x. Videos and code are available at https://kianhk6.github.io/IMLE-VLA/
• Abstract（参考訳）: 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。 リードデザインは、拡散またはフローマッチングによってトレーニングされた専用の連続アクションヘッドと、このバックボーンを結合する。 しかし、そのようなヘッドは反復的な多段階サンプリングに依存し、例えば$π_{0.5}$のユーラーステップは10である。 これにより、ロボットのストップ・アンド・ゴー動作を発生させ、タスク完了を遅くする推論ボトルネックが生じる。 本稿では,Implicit Maximum Likelihood Estimation (cIMLE) を用いて訓練した単一ステップ条件生成器を用いて,反復動作ヘッドを置き換えたIMLE-VLAを提案する。 cIMLEの目的は、多段階サンプリングを完全に排除しつつ、単純回帰ヘッドのモード崩壊を回避し、マルチモーダルな動作カバレッジを促進することである。 IMLE-VLAを$π_{0.5}$に適用すると、推論周波数 3.67x (55 Hz vs. 15 Hz) が増加し、最大11倍の動作スループットが得られる。 40タスクのLIBEROベンチマークでは、IMLE-VLAは全てのベースラインの中で最高成功率(98.0%)を達成し、推論周波数を導く。 LIBERO+ の試験時間摂動の下では、IMLE-VLA は π_{0.5}$'s のロバスト性を保ち、他の基底線は急激に減少し、cIMLE ヘッドが一般化を保っていることを確認した。 フランカ・エミカ・パンダの4つのタスクにわたる実世界の実験では、より滑らかな動き(2.2xから3.0x低いジャーク)とより高速なタスク完了が示され、IMLE-VLAは全てのタスクにおいて$π_{0.5}$を上回り、エピソードごとの平均VLA推論時間を3.9xから6.6xに短縮した。 ビデオとコードはhttps://kianhk6.github.io/IMLE-VLA/で公開されている。

関連論文リスト

• REFACTOR-VLA: Unsupervised Library Learning of Typed Motor Programs [0.0]
  ほとんどの視覚言語アクション(VLA)モデルはモノリシックである。 本稿では、再利用可能なスキルを学習するためのウェイク/スリープモデルシステムであるREFACTOR-VLAを紹介する。
  論文  参考訳（メタデータ） (2026-09-01T13:19:05Z)
• Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
  ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。 固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。 本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
  論文  参考訳（メタデータ） (2026-08-27T17:59:40Z)
• 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)
• DAM-VLA: Decoupled Asynchronous Multimodal Vision Language Action model [6.247270890079242]
  ビジョン言語アクション(VLA)モデルは、視覚言語事前学習から共有同期クロックを継承し、全ての入力を1レートで処理する。 同期VLAは遅いモダリティをオーバーサンプリングし、高速なモダリティをアンサンプし、最低有効周波数でアクション生成をカプセル化する。 DAM-VLAは,センサレートでリフレッシュされたモードごとの潜伏バッファを保持し,アクションヘッドで連続して読み取る。
  論文  参考訳（メタデータ） (2026-06-10T13:59:07Z)
• A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model [112.9420001646428]
  VLA(Vision-Language-Action)モデルは、オープンワールドロボット操作の強力なパラダイムとして登場したが、実際の展開はコストに制約されることが多い。 我々は、低コストで高スループットな推論のために設計された、完全にオープンソースで透明なVLAフレームワークであるA1を提示する。 A1は最先端の成功率を達成すると同時に、推論コストを大幅に削減する。
  論文  参考訳（メタデータ） (2026-04-07T10:18:40Z)
• 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)
• On Robustness of Vision-Language-Action Model against Multi-Modal Perturbations [52.1029745126386]
  視覚-言語-アクション(VLA)モデルでは、現実世界の摂動に対する堅牢性は、デプロイに不可欠である。 本稿では,VLA入力と出力の摂動に対するロバストVLAを提案する。 LIBEROの実験では、ロバストVLAは、pi0バックボーンで12.6%、OpenVLAバックボーンで10.4%のベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2025-09-26T14:42:23Z)
• Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success [100.226572152954]
  視覚言語アクションモデル(VLA)のための最適化された微調整レシピを提案する。 われわれのレシピはOpenVLAの4つのタスクスイートの平均成功率を76.5%から97.1%に引き上げ、アクション生成のスループットを26$times$に向上させた。 実世界の評価において、我々の微調整のレシピにより、OpenVLAはバイマガルALOHAロボット上でデクスタラスで高周波な制御タスクをうまく実行することができる。
  論文  参考訳（メタデータ） (2025-02-27T00:30:29Z)
• One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
  OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。 OneDPはロボット制御タスクの応答時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-10-28T17:54:31Z)

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。