論文の概要: SkipVLA: Skipping VLA Steps with Classical Planning for Fast Robot Manipulation

• arxiv url: http://arxiv.org/abs/2609.20648v1
• Date: Thu, 17 Sep 2026 16:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.372476
• Title: SkipVLA: Skipping VLA Steps with Classical Planning for Fast Robot Manipulation
• Title（参考訳）: SkipVLA: 高速ロボットマニピュレーションのための古典的計画を伴うVLAステップのスキッピング
• Abstract要約: Vision-Language-Action (VLA) は、カメライメージと言語指示を直接ロボットアクションにマッピングする。 最近の取り組みは、小さなモデルを蒸留したり、アクションチャンクを重複させたり、VLAを高速な低レベルポリシーでペアリングすることで、VLAのレイテンシを低減するが、それでもタスク全体について学習したポリシーを実行している。 我々は,事前訓練されたVLAと古典的な運動プランナを組み合わせたハイブリッドポリシであるSkipVLAを提案する。
• 参考スコア（独自算出の注目度）: 23.852244913181355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models are a class of generalist robot policies that map camera images and language instructions directly to robot actions. While promising, these models remain slow at test time, particularly for long-horizon tasks that require many queries to the policy. Recent efforts reduce VLA latency by distilling smaller models, overlapping asynchronous action chunks, or pairing the VLA with a fast low-level policy, but still run a learned policy for the entire task. In contrast to VLA, classical motion planners quickly find collision-free motions, but require an explicit goal and have no semantic understanding of the task. In this work, we present SkipVLA, a hybrid policy that combines a pretrained VLA with a classical motion planner, using the planner for free-space motion and querying the VLA only for contact-rich skills such as grasping and placing. SkipVLA reuses the frozen vision-language backbone of the VLA to predict a target pose for each planned motion, and learns this predictor without additional demonstrations introduced into the system by using what was already learnt by the large VLA. We evaluate SkipVLA with three VLAs on 13 LIBERO tasks in simulation and three pick-and-place tasks on a physical 6-DoF YAM arm, demonstrating up to 2.5x faster task completion and significantly lower energy consumption while achieving the same task success rate.
• Abstract（参考訳）: ビジョン・ランゲージ・アクション(Vision-Language-Action、VLA)モデルは、カメラ画像と言語指示を直接ロボットアクションにマッピングする汎用的なロボットポリシーのクラスである。 有望な一方で、これらのモデルはテスト時には遅いままであり、特にポリシーに多くのクエリを必要とする長い水平タスクに対してである。 最近の取り組みは、より小さなモデルを蒸留したり、非同期アクションチャンクを重複させたり、VLAを高速な低レベルポリシーでペアリングすることで、VLAのレイテンシを低減するが、それでもタスク全体について学習したポリシーを実行している。 VLAとは対照的に、古典的な運動プランナーはすぐに衝突のない運動を見つけるが、明確な目標を必要とし、タスクの意味的理解を持たない。 本研究では,事前訓練されたVLAと古典的な運動プランナを組み合わせたハイブリッドポリシであるSkipVLAを提案する。 SkipVLAは、VLAの凍結した視覚言語バックボーンを再利用して、計画された各動作のターゲットポーズを予測する。 シミュレーションでは,13のLIBEROタスク上の3つのVLAと物理6-DoFYAMアーム上の3つのピック・アンド・プレイスタスクを用いてSkipVLAを評価する。

関連論文リスト

• EXIMO: VLM Guided Exploration of VLA Policies [10.759711081122243]
  最先端のロボット操作ポリシーは、大きな視覚言語アクション(VLA)モデルの振る舞いクローンに基づいている。 新しいタスクを学習するためのVLAポリシーの微調整は、依然として未解決の問題である。 本稿では,VLA ポリシーを微調整する効率的なアルゴリズム EXIMO を提案する。
  論文  参考訳（メタデータ） (2026-08-20T10:58:45Z)
• Jump-Start Reinforcement Learning with Vision-Language-Action Regularization [1.2599533416395767]
  強化学習(RL)は、ロボット操作のための高周波閉ループ制御を可能にする。 現在の制限は、高速かつ正確な操作において直接の使用を妨げる。 探索と学習効率を向上させるために,VLAJS(Vision-Language-Action Jump-Starting)を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:17:54Z)
• Asynchronous Fast-Slow Vision-Language-Action Policies for Whole-Body Robotic Manipulation [10.09057399213028]
  Vision-Language-Action(VLA)システムは、意味論的推論のためのVision-Language Model(VLM)と、連続的なアクション信号を生成するアクションエキスパートを統合する。 本稿では,非同期なFast-Slow VLAフレームワーク(DuoCore-FS)を導入し,アクション生成のための高速経路とリッチなVLM推論のための遅い経路にシステムを編成する。
  論文  参考訳（メタデータ） (2025-12-23T09:28:20Z)
• LoLA: Long Horizon Latent Action Learning for General Robot Manipulation [38.209790870296835]
  Long Horizon Latent Action Learning (LoLA)は、ロボット操作用に設計されたフレームワークである。 まず視覚言語モデルを用いて、歴史的シーケンスと多視点観測からリッチな文脈特徴を符号化する。 次に、視覚入力と言語コマンドを動作可能なロボットモーション空間に変換するステートアウェアラテント表現を導入する。
  論文  参考訳（メタデータ） (2025-12-23T08:45:24Z)
• Robotic VLA Benefits from Joint Learning with Motion Image Diffusion [114.60268819583017]
  VLA(Vision-Language-Action)モデルは、マルチモーダルな観察と指示を直接行動にマッピングすることで、ロボット操作において顕著な進歩を遂げた。 動き推論機能を備えたVLAモデルを強化する新しい戦略である動き画像拡散を用いた共同学習を提案する。 シミュレーションと実世界の両方の環境での実験により、モーション画像拡散による共同学習がpiシリーズVLAの成功率を97.5%に向上させることが示された。
  論文  参考訳（メタデータ） (2025-12-19T19:07:53Z)
• 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)
• LoHoVLA: A Unified Vision-Language-Action Model for Long-Horizon Embodied Tasks [31.3295171851909]
  実世界のエンボディエージェントは、マルチステップソリューションを必要とするハイレベルな目標に直面します。 ロングホライゾンタスクは、ハイレベルなタスクプランニングと低レベルなモーションコントロールを必要とする。 我々は,LoHoVLAと呼ばれる長期タスクのための統合視覚言語フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-05-31T06:01:03Z)
• A Survey on Vision-Language-Action Models for Embodied AI [90.99896086619854]
  エンボディードAIは、人工知能の重要な要素として広く認識されている。 組込みAIにおける言語条件ロボットタスクに対処するために、マルチモーダルモデルの新たなカテゴリが登場した。 具体的AIのための視覚-言語-アクションモデルに関する第1回調査を示す。
  論文  参考訳（メタデータ） (2024-05-23T01:43:54Z)

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。