論文の概要: LiMA: Bridging Long-term Imagination to Real-time Dexterous Manipulation via Asynchronous Diffusion
- arxiv url: http://arxiv.org/abs/2609.28431v1
- Date: Wed, 23 Sep 2026 17:31:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.134013
- Title: LiMA: Bridging Long-term Imagination to Real-time Dexterous Manipulation via Asynchronous Diffusion
- Title（参考訳）: LiMA: 非同期拡散によるリアルタイムデキスタラスマニピュレーションへの長期的イマジネーション
- Abstract要約: LiMAは、リアクティブ実行から意図的な計画を体系的に分離する、二重システム生成フレームワークである。
LiMAは非同期デカップリングによるCosmos-Policyと比較して推論を45.8%削減する。
LiMAは、全体的な成功率70.8%、平均サブタスク成功率78.9%を達成し、目に見えないシナリオではパフォーマンスを維持している。
- 参考スコア（独自算出の注目度）: 37.00434204693289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dexterous manipulation demands long-term foresight and rapid reactive control. Vision-Language-Action (VLA) models, while proficient in high-level reasoning, often lack a fine-grained understanding of physical dynamics and spatial perception. Conversely, World-Action Models (WAMs) typically suffer from high inference latency due to iterative generation. These deficiencies result in a critical temporal misalignment where the model's intent fails to adapt to rapid physical contact changes. To overcome this fundamental bottleneck, we propose LiMA, an asynchronous dual-system generative framework that systematically decouples intent planning from reactive execution. LiMA organizes computation into a multi-scale hierarchy: a slow system handles sparse long-horizon spatiotemporal intent generation, while a fast system focuses on dense high-frequency motion refinement. To align sparse intent predictions with dense action trajectories, we introduce a Latent Schrödinger Bridge Coupling mechanism that formulates refinement as an entropy-regularized probabilistic transport process. LiMA reduces inference latency by 45.8% compared with Cosmos-Policy via asynchronous decoupling. Evaluated across six bimanual dexterous manipulation tasks spanning multiple horizons, LiMA achieves an overall success rate of 70.8% and an average subtask success rate of 78.9%, while maintaining performance in unseen scenarios. The project website is available at https://ccdcs.github.io/LiMA_repo/
- Abstract（参考訳）: 有害な操作は、長期的な監視と迅速な反応制御を必要とする。
ビジョン・ランゲージ・アクション(VLA)モデルは高レベルの推論に熟練しているが、物理力学と空間知覚の微妙な理解が欠けていることが多い。
逆に、World-Action Models (WAMs) は繰り返し発生による高い推論遅延に悩まされる。
これらの欠陥は、モデルの意図が素早い物理的接触変化に適応できないという重大な時間的ずれをもたらす。
この根本的なボトルネックを克服するために、リアクティブ実行から意図的な計画を体系的に分離する非同期デュアルシステム生成フレームワークであるLiMAを提案する。
LiMAは計算をマルチスケールの階層に整理する: 遅いシステムはスパースな長水平時空間的意図生成を処理し、高速システムは高周波数の運動改善に焦点を当てる。
粗い意図予測を高密度な作用軌跡と整合させるため、エントロピー規則化された確率的輸送過程として精製を定式化するラテント・シュレーディンガー橋結合機構を導入する。
LiMAは、非同期デカップリングによるCosmos-Policyと比較して、推論遅延を45.8%削減する。
複数の水平線にまたがる6つの両面的な操作タスクで評価され、LiMAは総合的な成功率70.8%、平均的なサブタスク成功率78.9%を達成し、目に見えないシナリオではパフォーマンスを維持している。
プロジェクトのWebサイトはhttps://ccdcs.github.io/LiMA_repo/で公開されている。
関連論文リスト
- HiRAD: A Flexible Large-Scale AGV Routing System [6.059667257410882]
実時間保証付き連続空間AGVルーティングのための階層的RLフレームワークであるHiRADを提案する。
HiRADはフェイスパンを45%減らして63%減らし、エンドツーエンドのランタイムを短縮する。
論文 参考訳（メタデータ） (2026-09-09T05:50:17Z) - ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。
定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。
これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
論文 参考訳（メタデータ） (2026-06-29T14:27:27Z) - LiquidTAD: Efficient Temporal Action Detection via Parallel Liquid-Inspired Temporal Relaxation [2.3837169660687123]
LiquidTADは、液体神経力学以前の指数緩和を並列時間演算子に蒸留するフレームワークである。
LiquidTADは、モデルフットプリントを大幅に低下させながら、強力なベースラインと競合する精度を達成する。
論文 参考訳（メタデータ） (2026-04-20T13:48:17Z) - SpecEyes: Accelerating Agentic Multimodal LLMs via Speculative Perception and Planning [104.01865949020304]
エージェント・マルチモーダル・大規模言語モデル(MLLM)は,反復的な視覚的ツールの実行によって顕著な推論能力を達成する。
しかし、カスケード認識、推論、ツール呼び出しループは、重要なシーケンシャルなオーバーヘッドをもたらす。
このオーバーヘッドはエージェントディープと呼ばれ、禁止されたレイテンシを発生させ、システムレベルのスループットを著しく制限します。
本稿では,エージェントレベルの投機的アクセラレーションフレームワークであるSpecEyesを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:45:47Z) - FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。
反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。
即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
論文 参考訳（メタデータ） (2026-03-19T17:51:37Z) - Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward [11.066720921275648]
視覚言語アクション(VLA)モデルは、ロボット操作に非常に有望である。
厳格な産業用ロボットへの展開は、コンプライアンスと応答性の本質的にのトレードオフのため、依然として困難である。
本稿では、このトレードオフを解決するために、速度フィードフォワード項をVLAポリシーに統合することの重要性を示す。
論文 参考訳（メタデータ） (2026-03-17T07:50:00Z) - LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies [54.150202739999806]
LiLo-VLAは、新しいロングホライゾンタスクに対してゼロショットのモジュラリティをトレーニングすることなく実現できるモジュラーフレームワークである。
LIBERO-Long++とUltra-Longという2つの課題からなる21タスクのシミュレーションベンチマークを導入する。
これらのシミュレーションでは、LiLo-VLAは平均成功率69%を達成し、Pi0.5を41%、OpenVLA-OFTを67%上回った。
論文 参考訳（メタデータ） (2026-02-25T03:33:39Z) - StreamVLA: Breaking the Reason-Act Cycle via Completion-State Gating [8.031311182554981]
長距離ロボット操作は、高レベルの計画と低レベルの制御のギャップを埋める必要がある。
現在のVision-Language-Actionモデルは、しばしばこれらのプロセスを絡めて、各ステップで冗長なマルチモーダル推論を実行する。
本稿では、テキストタスクの分解、視覚目標の想像力、連続的なアクション生成を単一のパラメータ効率のバックボーン内で統合するデュアルシステムアーキテクチャStreamVLAを提案する。
論文 参考訳（メタデータ） (2026-02-01T08:51:17Z) - RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing [11.542008509248836]
RAST-MoE(Regime-of-Experts)は、自己注意型MoEエンコーダを備えた状態認識型MDPとして適応遅延マッチングを形式化する。
物理インフォームド・渋滞は、現実的な密度-速度フィードバックを保ち、数百万の効率的なロールアウトを可能にし、適応的な報酬スキームは、病理戦略から保護する。
論文 参考訳（メタデータ） (2025-12-13T20:49:15Z) - 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)
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。