論文の概要: FASA: Feedback-Aware Sampling Adaptation for Efficient Diffusion-Based VLA Models

• arxiv url: http://arxiv.org/abs/2609.19475v1
• Date: Wed, 16 Sep 2026 22:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.025642
• Title: FASA: Feedback-Aware Sampling Adaptation for Efficient Diffusion-Based VLA Models
• Title（参考訳）: FASA:効率的な拡散に基づくVLAモデルに対するフィードバック認識サンプリング適応
• Abstract要約: 本稿では,実時間マルチモーダルフィードバックをデノゲーションパイプラインの制御信号として扱う,トレーニングフリーランタイムフレームワークを提案する。 このフレームワークにより、基盤となるハードウェアアーキテクチャは、異なる実行フェーズのワークロード要求に適応的に適合することができる。
• 参考スコア（独自算出の注目度）: 31.613980338126314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based Vision-Language-Action (VLA) models achieve strong performance in embodied tasks, but their iterative sampling imposes heavy computational and memory-access cost, blocking real-time deployment on edge platforms. Existing acceleration methods either require expensive training (e.g., distillation, flow matching) or degrade perception via statically scheduled pruning and caching, ignoring the dynamic workload variance of robotic interactions. This paper presents FASA (Feedback-Aware Sampling Adaptation), a training-free runtime framework that treats real-time multimodal feedback as a control signal for the denoising pipeline: an interaction-driven range adaptor modulates the global sampling-step budget based on visual and gripper-force feedback, and a proprioception-aware step adaptor pinpoints the optimized step within the adapted range. This co-designed framework allows the underlying hardware architecture to adaptively match the workload demands of different execution phases. Comparative evaluations across several benchmarks show that the inference speed can be increased by up to 1.45$\times$ while maintaining competitive success rates, providing a novel dynamic runtime architecture paradigm for deploying heavy generative embodied AI workloads onto resource-constrained computing platforms.
• Abstract（参考訳）: 拡散に基づくVision-Language-Action(VLA)モデルは、具体的タスクにおいて強力なパフォーマンスを達成するが、反復サンプリングは計算とメモリアクセスのコストを重くし、エッジプラットフォーム上でのリアルタイムデプロイメントをブロックする。 既存の加速法は、高価なトレーニング(蒸留、フローマッチングなど)を必要とするか、静的にスケジュールされたプルーニングとキャッシングによって知覚を低下させ、ロボットの相互作用の動的ワークロードのばらつきを無視している。 本稿では,FASA(Feedback-Aware Sampling Adaptation)を提案する。FASAは,実時間マルチモーダルフィードバックをデノゲーションパイプラインの制御信号として扱う,学習不要なランタイムフレームワークである。インタラクション駆動レンジアダプタは,視覚およびグリップ力フィードバックに基づいてグローバルサンプリングステップ予算を変調し,プロプリセプション対応ステップアダプタは適応範囲内で最適化ステップをピンポイントする。 この共同設計のフレームワークにより、基盤となるハードウェアアーキテクチャは、異なる実行フェーズのワークロード要求に適応的に適合することができる。 複数のベンチマークの比較評価によると、競合の成功率を維持しながら、推論速度を最大1.45$\times$まで向上でき、リソースに制約のあるコンピューティングプラットフォームに重い生成可能なAIワークロードをデプロイするための、新しい動的ランタイムアーキテクチャパラダイムを提供する。

関連論文リスト

• AdaVLA: Adaptive Step Flow Matching for Training-free Acceleration of Vision-Language-Action Models [1.0323063834827415]
  AdaVLAは、高速かつ高精度なフローマッチングベースのビジョン・ランゲージ・アクションモデルのための、オンラインでトレーニング不要な適応フレームワークである。 本手法は, それぞれ$_0.5$とX-VLAで1.87times$と$2.24times$の高速化を実現し, 成功率の低下を無視できることを示す。
  論文  参考訳（メタデータ） (2026-08-29T11:44:18Z)
• D-VLA: A High-Concurrency Distributed Asynchronous Reinforcement Learning Framework for Vision-Language-Action Models [17.175523380943606]
  Embodied AIにより、VLA(Vision-Language-Action)モデルが、マルチモーダル認識とタスク実行に優れるようになりました。 大規模分散環境におけるこれらの大規模なモデルへの強化学習の適用は、深刻なシステム的ボトルネックに直面します。 D-VLAは,大規模エンボディベースモデルのための,高精度で低レイテンシな分散RLフレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T09:54:31Z)
• ProbeFlow: Training-Free Adaptive Flow Matching for Vision-Language-Action Models [12.232846303286161]
  近年,フローマッチング (FM) アクションヘッドを搭載したビジョン・ランゲージ・アクション (VLA) モデルは,複雑なロボット操作において最先端の性能を実現する。 現在の加速はビジョン・ランゲージ・モデル(VLM)のバックボーンを最適化しているが、アクションヘッドのボトルネックは見落としている。 本稿では,継続的ロボット制御のためのトレーニング不要適応推論フレームワークProbeFlowを提案する。
  論文  参考訳（メタデータ） (2026-03-18T15:38:29Z)
• AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
  動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。 計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。 AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
  論文  参考訳（メタデータ） (2026-03-12T12:46:42Z)
• RL-VLA$^3$: Reinforcement Learning VLA Accelerating via Full Asynchronism [42.27384804295299]
  VLA(Vision-Language-Action)モデルは、一般的なインボディードインテリジェンスへの重要な経路として登場した。 本稿では,環境相互作用からアクタポリシー更新に至るまで,パイプライン全体を包含する完全に非同期なポリシートレーニングフレームワークを提案し,実装する。 LIBEROベンチマークでは、既存の同期戦略と比較して59.25%のスループット向上を実現している。
  論文  参考訳（メタデータ） (2026-02-05T15:30:23Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)

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。