論文の概要: FIVE-VLA: Fast and EffectIVE Autonomous Driving with Recurrent Action Memory

• arxiv url: http://arxiv.org/abs/2609.18623v1
• Date: Wed, 16 Sep 2026 13:13:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.815586
• Title: FIVE-VLA: Fast and EffectIVE Autonomous Driving with Recurrent Action Memory
• Title（参考訳）: FIVE-VLA: 動作記憶を繰り返す高速かつ効果的な自律運転
• Abstract要約: 自律運転のための最先端の視覚-言語-アクションモデル(VLA)は、限界に直面している。 本稿では,FastとEffective VLA(FIVE-VLA)を2つの重要なコントリビューションを通じて取り上げる。
• 参考スコア（独自算出の注目度）: 55.9206828090176
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: State-of-the-art vision-language-action models (VLA) for autonomous driving face critical limitations: excessive parameter counts, inefficient high-resolution image processing, and lack of temporal memory. We introduce Fast and EffectIVE VLA (FIVE-VLA) to address these through two key contributions. First, we employ an efficient vision encoder that processes high-resolution ($448 \times 896$) images while generating only 98 tokens, over $5\times$ fewer than existing approaches, and bypass text generation entirely for single-pass trajectory prediction. Second, we propose Recurrent Action Memory (RAM), a lightweight module that conditions action prediction on previous action tokens, providing temporal context critical for manoeuvres such as overtaking and emergency braking. With only 641M parameters, FIVE-VLA completes $\sim$10% more routes without traffic rule infractions than the previous state-of-the-art VLA on the challenging Bench2Drive closed-loop driving benchmark. Non-reactive open-loop simulation on the large-scale real-world NVIDIA Physical AI AV dataset shows 10.2% and 7.7% lower collision-violation rates than SimLingo in single- and four-view settings, respectively. Additionally, FIVE-VLA runs at $\sim$30 fps on an A100 and $\sim$4 fps on a T4 GPU (proxy to an edge device), representing an 8-30$\times$ speedup over previous methods.
• Abstract（参考訳）: 自律運転のための最先端の視覚-言語-アクションモデル(VLA)は、過剰なパラメータ数、非効率な高解像度画像処理、時間記憶の欠如といった限界に直面している。 本稿では,FastとEffective VLA(FIVE-VLA)を2つの重要なコントリビューションを通じて取り上げる。 まず、高解像度(448 \times 896$)の画像を処理し、98トークンしか生成せず、既存のアプローチよりも5\times$以下で、単一のパス軌跡予測のためのテキスト生成を完全にバイパスする効率的なビジョンエンコーダを用いる。 第2に,従来のアクショントークンに対して動作予測を行う軽量モジュールであるリカレントアクションメモリ(RAM)を提案する。 641Mパラメータだけで、FIVE-VLAは、競合するBench2Driveクローズドループ駆動ベンチマークにおいて、以前の最先端のVLAよりも、トラフィックルール違反のないルートを$\sim$10%増やすことができる。 大規模な現実世界のNVIDIA Physical AI AVデータセット上の非反応性オープンループシミュレーションでは、シングルビューと4ビュー設定でそれぞれSimLingoよりも10.2%と7.7%低い衝突違反率を示している。 さらに、FIVE-VLAはA100では$\sim$30 fps、T4 GPUでは$\sim$4 fpsで実行され(エッジデバイスではプロキシ)、以前のメソッドよりも8-30$\times$のスピードアップを表現している。

関連論文リスト

• FlashDrive: Flash Vision-Language-Action Inference for Autonomous Driving [13.217418785964973]
  Vision-Language-Action(VLA)モデルは、エンドツーエンドの推論を自動運転にもたらすことを約束している。 計算コストは、リアルタイム制御には高すぎる。 我々は,4つのステージを同時にターゲットとする,アルゴリズムとシステムの共同設計フレームワークであるFlashDriveを提案する。
  論文  参考訳（メタデータ） (2026-08-13T08:10:54Z)
• 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)
• 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)
• PhysVLA: Towards Physically-Grounded VLA for Embodied Robotic Manipulation [2.7921261962314237]
  VLA(Vision-Language-Action)モデルは、視覚入力と自然言語命令を直接ロボット制御ポリシーにマッピングする。 主に行動実証データに適合するように訓練されているため、剛体力学や接触制約といった基本的な物理原則を明示的に強制していない。 単一ステップまたはチャンクされたVLAの上に適用される標準的な時間的平滑化は、短期記憶が解決できない追加の障害に対して軌道品質を交換する。 我々は、凍結したVLAバックボーンをリトレーニングせずにラップするように設計されたプラグイン・アンド・プレイの推論時フレームワークであるPhysVLAを紹介します。
  論文  参考訳（メタデータ） (2026-06-11T20:23:09Z)
• 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)
• An Image is Worth 1/2 Tokens After Layer 2: Plug-and-Play Inference Acceleration for Large Vision-Language Models [65.37846460916042]
  視覚的トークンに対する注意計算は,LVLMの深い層において極めて非効率であることがわかった。 本稿では,計算効率の最適化を目的とした多用途プラグアンドプレイ方式であるFastVを紹介する。
  論文  参考訳（メタデータ） (2024-03-11T14:35:32Z)

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。