論文の概要: VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge

• arxiv url: http://arxiv.org/abs/2609.18663v1
• Date: Wed, 16 Sep 2026 13:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.823148
• Title: VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge
• Title（参考訳）: VLA-ULAP: エッジでの超軽量ローカルアクション予測によるクラウドVLAコールのインターリービング
• Abstract要約: 遠隔VLAコールをUltra-Lightweight Local Action PredictorでインターリーブするVLA-ULAPを提案する。 凍結した視覚エンコーダを含む約7.4Mのパラメータで、ULAPは現在のビュー、プロプレセプション、実行されたアクション履歴を組み合わせて、1回のパスでチャンクを予測する。
• 参考スコア（独自算出の注目度）: 3.2371022723948664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Billion-parameter vision--language--action (VLA) policies demand substantial onboard power, while communication delays in remote inference hinder timely responses. We propose VLA-ULAP, which interleaves remote VLA calls with an Ultra-Lightweight Local Action Predictor (ULAP). With approximately 7.4M parameters including the frozen vision encoder, ULAP combines current views, proprioception, and executed action history to predict chunks in one pass. Trained independently, it requires no VLA hidden states, online verification, or server round trips. On Jetson Orin Nano, ULAP takes 19.9 ms and 0.183 J per inference, compared with 284.3 ms and 50.55 J for GR00T on RTX A6000. Across three simulated base-policy/benchmark pairs, selected operating points remove 48.8--76.7\% of VLA calls while retaining 95.0--97.5\% of the baseline success rate. Against local VLA-acceleration alternatives on VLA-JEPA, ULAP uses an estimated 49.2\% less inference time and 51.0\% less GPU energy per successful episode than ACT at comparable success rates, and 77.1\% less time and 79.9\% less energy than SP-VLA at equal success rates. Physical SO-101 experiments retain 95.2--100\% of the baseline success rate across seen and held-out placements while reducing inference time by an estimated 47.9--58.0\% and inference-device energy by 52.1--62.5\%, based on successful-episode call counts and measured device costs. Faster responses also improve dynamic-task success rates: in latency-aware LIBERO-Safety simulation, VLA-ULAP exceeds $π_{0.5}$ by 11.0 and 15.5 percentage points on two tasks while approximately halving VLA calls.
• Abstract（参考訳）: 数十億の視線-言語-アクション(VLA)ポリシーは、リモート推論における通信遅延がタイムリーな応答を妨げている。 遠隔VLAコールをUltra-Lightweight Local Action Predictor (ULAP)でインターリーブするVLA-ULAPを提案する。 凍結した視覚エンコーダを含む約7.4Mのパラメータで、ULAPは現在のビュー、プロプレセプション、実行されたアクション履歴を組み合わせて、1回のパスでチャンクを予測する。 独立してトレーニングされているため、VLAの隠された状態、オンライン検証、サーバラウンドトリップは必要ありません。 Jetson Orin Nanoでは、RTX A6000でGR00Tが284.3msと50.55Jに対してULAPは19.9msと0.183Jである。 3つの模擬ベースポリティ/ベンチマークペアの中で、選択された操作ポイントは、ベースライン成功率の95.0--97.5\%を維持しながら、VLAコールの48.8--76.7\%を除去する。 VLA-JEPAの局所的なVLA加速代替法に対して、ULAPは推定49.2\%の推論時間と51.0\%のGPUエネルギーをACTよりも同等の成功率で使用し、77.1\%の時間と79.9\%のエネルギーをSP-VLAと同等の成功率で使用している。 物理SO-101実験では、観測された位置と保持された位置をまたいだベースライン成功率の95.2--100\%を維持し、推定47.9--58.0\%と推論デバイスエネルギーの52.1--62.5\%を、成功エポソード呼び出し数と測定機器コストに基づいて、推定した47.9--58.0\%と見積もった。 レイテンシを意識したLIBERO-Safetyシミュレーションでは、VLA-ULAPは2つのタスクで$π_{0.5}$11.0と15.5のポイントを超え、VLAコールを半減する。

関連論文リスト

• FIVE-VLA: Fast and EffectIVE Autonomous Driving with Recurrent Action Memory [55.9206828090176]
  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。
  論文  参考訳（メタデータ） (2026-09-16T13:13:18Z)
• VLA-Precision: Asymmetric Co-Bootstrapping for Efficient Real-World Online RL of Vision-Language-Action Models [18.46719160646894]
  事前訓練された視覚言語アクション(VLA)モデルは広い操作を可能にするが、精度と再現性を必要とするタスクでは信頼性が保たれる。 実世界のオンライン強化学習(RL)をVLAポストトレーニングに適用することで、デモだけでなく、自律的な試行錯誤の改善が可能になる。 Asymmetric Co-BootstrappingアルゴリズムとACoB-Streamアーキテクチャを特徴とする,効率的な実世界のオンラインRLフレームワークであるVLA-Precisionを提案する。
  論文  参考訳（メタデータ） (2026-09-03T18:19:36Z)
• CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
  本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。 CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。 プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
  論文  参考訳（メタデータ） (2026-08-31T15:33:38Z)
• SMILE: Smooth Motion for Improved Long-Horizon VLA Execution [36.13181247283821]
  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。
  論文  参考訳（メタデータ） (2026-08-29T20:37:00Z)
• ForeTime-VLA: Causal Future-Token Distillation from a World Action Model for Conveyor-Belt Manipulation [6.874305530359895]
  本稿では,凍ったFast-WAMをベースとした教師から,未来を意識した行動等価表現を蒸留する高密度pi0.5ポリシーであるForeTime-VLAを紹介する。 オンラインでは、8フレームの履歴エンコーダが操作フェーズと正規化された時間-遷移とともにこのターゲットを予測する。 テストMAEは0.134119から0.130593 (2.63%)に減少し、ペアリングブートストラップ95%CI:0.82-4.48%の改善、テストL2は2.46-2.93%の遅延コストで3.02%減少する。
  論文  参考訳（メタデータ） (2026-08-21T04:40:41Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• 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)
• 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)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。