論文の概要: Toward Real-Time VLAs: Stage-Aware Two-Step Flow Denoising and System-Level Evaluation

• arxiv url: http://arxiv.org/abs/2609.39822v2
• Date: Sat, 03 Oct 2026 14:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.471581
• Title: Toward Real-Time VLAs: Stage-Aware Two-Step Flow Denoising and System-Level Evaluation
• Title（参考訳）: リアルタイムVLAに向けて:ステージ対応二段流デノイングとシステムレベル評価
• Abstract要約: 視覚言語アクション(VLA)モデルは、低レート推論と高レートロボット実行のタイミングギャップに直面している。 モデル推論とロボット実行チェーンのエンドツーエンド遅延測定により,このギャップを特徴づける。 本研究では,ステップ数を10から2に減らし,モデル推論時間を61.557msから21.956msに短縮する2段階の非一様分解法を提案する。
• 参考スコア（独自算出の注目度）: 10.18918382773414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models face a timing gap between low-rate inference and high-rate robot execution. We characterize this gap through end-to-end latency measurements of model inference and the robot execution chain. Repeated Flow Matching denoising contributes substantially to inference cost, while robot-side delays mainly arise from perception acquisition, communication scheduling, and physical response. Analysis of the velocity field shows relatively stable magnitude and direction in early integration, followed by stronger directional correction near the terminal steps. Based on this stage heterogeneity, we propose two-stage non-uniform denoising, reducing the number of steps from 10 to 2 and model-inference time from 61.557 ms to 21.956 ms. We also develop a distributed real-time VLA framework with independent inference, action-publication, and robot-control rates, modular observation acquisition, and action-provenance logging. Using π0.5 as the baseline, we evaluate six real-time execution methods on a long-horizon physical garment-folding task. Legato performs best overall among training-based methods, while Temporal Smoothing leads among training-free methods; both perform strongly in task success, completion time, action continuity, and acceleration smoothness. Combining two-step denoising with representative execution methods substantially reduces inference cost with a small reduction in task performance. These results motivate joint optimization of model-inference efficiency and robot-system timing.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、低レート推論と高レートロボット実行のタイミングギャップに直面している。 モデル推論とロボット実行チェーンのエンドツーエンド遅延測定により,このギャップを特徴づける。 繰り返しのフローマッチングは推論コストに大きく貢献する一方、ロボット側の遅延は主に知覚獲得、通信スケジューリング、物理応答から生じる。 速度場の解析は、初期積分において比較的安定な大きさと方向を示し、次いで終端付近でより強い方向補正を行う。 この段階的不均一性に基づいて,ステップ数を10から2に減らし,モデル推論時間を61.557msから21.956msに減らし,独立した推論,アクションパブリケーション,ロボット制御速度,モジュール観察取得,アクションプロビデンスロギングなどの分散リアルタイムVLAフレームワークを開発する。 π0.5をベースラインとして,長時間の物理的衣服折り作業における実時間実行法を6つ評価した。 レガートはトレーニングベースの手法で、テンポラル・スムースティングはトレーニングなしの手法で、どちらもタスク成功、完了時間、アクション継続性、アクセラレーションのスムーズさに強く貢献する。 2段階の復調と代表実行法を組み合わせることで、タスク性能の低下による推論コストを大幅に削減できる。 これらの結果は,モデル推論効率とロボットシステムタイミングの協調最適化を動機付けている。

関連論文リスト

• Urgent Actions Go First: Urgency-Aware Denoising for Real-Time VLA Control [18.40902134276604]
  既存の加速法は、アクションチャンクをモノリシックな計算単位として扱う。 UAD(Urgency-Aware Denoising)は、各アクションが物理的に必要になったときに応じてデノイングを割り当てる新しい推論時間フレームワークである。 UADは、物理実行による尾アクションの継続的なバックグラウンド改善を重複しながら、ステップを減らした後、時間クリティカルな緊急アクションをリリースする。
  論文  参考訳（メタデータ） (2026-09-29T15:13:14Z)
• World Action Models in Real Time: An Empirical Study of Smooth Execution via Asynchronous Deployment [0.0]
  本研究では,モデル推論とアクション実行の重なり合う戦略について検討し,応答性とスムーズな制御を実現する。 同期実行、純粋な非同期スイッチング、ポストホック動作ブレンディング、デノイング時間ブレンディング、推論時速度誘導、プレフィックス条件付き生成を含む6つの戦略を比較した。
  論文  参考訳（メタデータ） (2026-08-03T08:24:36Z)
• Invertible Neural Network Adapter for One-Step Flow Matching in Robot Manipulation [48.77928097573051]
  本稿では,汎用ロボット操作のための可逆ニューラルネットワークアダプタを提案する。 フローマッチングの定式化に基づいて、提案したアダプタは、可逆潜在空間内のアクション生成軌跡を制約する。 提案手法の有効性を評価するため,様々なシミュレーションベンチマークと実世界のロボットプラットフォームを用いて実験を行った。
  論文  参考訳（メタデータ） (2026-06-17T15:35:27Z)
• 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)
• STEP: Warm-Started Visuomotor Policies with Spatiotemporal Consistency Prediction [16.465783114087223]
  反復デノゲーションは、リアルタイム閉ループシステムにおける制御周波数を制限し、相当な推論遅延をもたらす。 高品質なウォームスタート動作を構築するための軽量時整合予測機構STEPを提案する。 2段階のSTEPは、RoboMimicベンチマークや実世界のタスクでBRIDGERやDDIMよりも平均21.6%、27.5%高い成功率を達成することができる。
  論文  参考訳（メタデータ） (2026-02-09T03:50:40Z)
• 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)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)

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。