論文の概要: rMuscle: Robotic Muscle Memory for Efficient Vision-Language-Action Model Inference

• arxiv url: http://arxiv.org/abs/2609.19104v1
• Date: Wed, 16 Sep 2026 17:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.922356
• Title: rMuscle: Robotic Muscle Memory for Efficient Vision-Language-Action Model Inference
• Title（参考訳）: rMuscle:効率的な視覚・言語・行動モデル推論のためのロボット筋記憶
• Abstract要約: ファクトリーワークは、AIを具現化する上で有望な初期シナリオである。 本稿では,人間の筋肉記憶にインスパイアされたリアルタイムVLA推論フレームワークであるrMuscleを紹介する。
• 参考スコア（独自算出の注目度）: 7.699937079568424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Factory work is a promising early scenario for embodied AI: assigning repetitive manual jobs to robots has clear economic payoff, and a structured station keeps the jobs tractable for current policies. Vision-Language-Action (VLA) models now dominate as the policy paradigm for these robots. The inference latency of VLA models directly affects robot responsiveness and motion smoothness. However, existing VLA inference frameworks do not fully exploit the characteristics of embodied workloads or account for the distinct bottlenecks across different stages of VLA inference. In this paper, we first characterize embodied workloads and identify substantial task similarity across repeated robot executions. We further find that such similarity extends beyond observations and action trajectories to internal model states. Drawing on these observations, we present rMuscle, a real-time VLA inference framework inspired by human muscle memory. It exploits cross-execution similarity through a dual-phase muscle-memory cache. The Context Cache reuses visual-token outputs to reduce computation, while the Action Cache reuses neuron activation patterns to reduce weight accesses. We keep both the cache memory footprint and access overhead low through online cache recomputation, sliding-window cache retrieval, and mask sharing across consecutive denoising steps. rMuscle achieves 1.29-1.42X speedup on RTX 4090 and Jetson Thor across LIBERO, RoboTwin, and physical manipulation tasks, while maintaining the original success rates on real-world robots.
• Abstract（参考訳）: 反復的なマニュアルジョブをロボットに割り当てることは、明確な経済的な利益をもたらし、構造化されたステーションは、現在のポリシーのためにジョブを牽引できるようにしている。 VLA(Vision-Language-Action)モデルは、現在ではこれらのロボットのポリシーパラダイムとして支配されている。 VLAモデルの推論遅延は、ロボットの応答性と動きの滑らか性に直接影響を及ぼす。 しかしながら、既存のVLA推論フレームワークは、エンボディされたワークロードの特性を完全に活用したり、VLA推論の異なるステージにまたがる異なるボトルネックを考慮に入れたりしない。 本稿では,まず,ロボットの実行を繰り返す作業において,実際のタスク類似性を識別する。 さらに、そのような類似性は、観測や行動軌跡を越えて内部モデル状態にまで及ぶことが判明した。 これらの観察に基づいて、人間の筋肉記憶にインスパイアされたリアルタイムVLA推論フレームワークであるrMuscleを提示する。 二相筋メモリキャッシュによるクロスエグゼクティオン類似性を利用する。 Context Cacheは計算量を減らすために視覚的な出力を再利用し、Action Cacheはニューロンのアクティベーションパターンを再利用してウェイトアクセスを減らす。 キャッシュメモリのフットプリントとアクセスオーバーヘッドを、オンラインキャッシュ再計算、スライディングウインドウキャッシュ検索、マスク共有を通じて低く保ちます。 rMuscle は RTX 4090 と LIBERO、RoboTwin、および物理的な操作タスクで 1.29-1.42X のスピードアップを達成した。

関連論文リスト

• StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
  StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。 追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。 メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-26T17:33:19Z)
• Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement [1.0279917564173053]
  VLA(Vision-Language-Action)モデルは、汎用可能なロボット操作のための有望なアプローチとして登場した。 我々はActionCacheを提案する。ActionCacheはプラグイン・アンド・プレイの外部キャッシュで、過去の中間アクションをウォームスタート世代に再利用する。 シミュレーションおよび実環境における実験結果から、ActionCacheは低レイテンシのシステムにおいて高いタスク成功率を維持していることが示された。
  論文  参考訳（メタデータ） (2026-07-07T15:10:15Z)
• 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)
• MemoryVLA++: Temporal Modeling via Memory and Imagination in Vision-Language-Action Models [80.70528162709276]
  効果的な制御は過去の相互作用の記憶と将来の状態の想像を必要とするため、ロボット操作には時間モデリングが不可欠である。 本稿では,VLAモデルにメモリと想像力を付与し,ロボット操作のためのフル時間モデリングフレームワークであるMemoryVLA++を提案する。 提案手法は,Libero,SimplerEnv,Mikasa-Robo,Calvin,Libero-Plus,多種多様な実ロボットタスクにまたがって高い性能を実現する。
  論文  参考訳（メタデータ） (2026-06-08T17:59:53Z)
• 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)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• VLA-Cache: Efficient Vision-Language-Action Manipulation via Adaptive Token Caching [23.52474883720957]
  VLA(Vision-Language-Action)モデルは、視覚知覚と言語命令から直接のアクション生成を可能にする強力なマルチモーダル推論能力を示している。 本稿では,フレーム間の静的な視覚トークンを適応的にキャッシュ・再利用することにより,計算オーバーヘッドを低減する訓練不要な推論高速化手法であるVLA-Cacheを紹介する。
  論文  参考訳（メタデータ） (2025-02-04T09:48:14Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)

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。