論文の概要: Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA

• arxiv url: http://arxiv.org/abs/2610.05025v1
• Date: Sun, 04 Oct 2026 07:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 06:57:17.36551
• Title: Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA
• Title（参考訳）: 二重系VLAにおける予測不確かさによる一般推論のトリガ
• Abstract要約: Vision-Language-Action(VLA)モデルは、遅い推論可能なジェネラリストと高速な専門家のアクションエキスパートをペアにすることで、リアルタイムのロボット制御を改善する。 既存の方法では、決定がロールアウト毎に異なるという事実を無視して、一定の頻度でジェネラリストを呼び出す。 本稿では,不必要な一般呼び出しを選択的にスキップする適応型推論フレームワークであるTUD(Triggering generalist reasoning via predictive Uncertainty for Dual-system VLA)を提案する。
• 参考スコア（独自算出の注目度）: 46.61827364066432
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dual-system Vision-Language-Action (VLA) models improve real-time robotic control by pairing a slow, reasoning-capable generalist with a fast specialist action expert. However, existing methods invoke the generalist at a fixed frequency, ignoring the fact that decision-making complexity varies throughout a rollout. This static strategy wastes computation in easy phases and can delay renewed reasoning when the scene changes unexpectedly. We propose TUD (Triggering generalist reasoning via predictive Uncertainty for Dual-system VLA), an adaptive inference framework that selectively skips unnecessary generalist calls. TUD measures the cross-step dispersion of action re-predictions at the upcoming chunk slot under the cached generalist context, as a predictive uncertainty signal. This signal captures how much the future action plan shifts as new observations arrive and is computed from forwards the architecture already runs, requiring neither manual phase labels nor an auxiliary uncertainty model. On VLA-Arena, it achieves a higher success rate at matched call budgets than alternative uncertainty baselines while maintaining low wall-clock overhead, and more consistently separates successful from failed rollouts. Also, TUD finds a more favorable cost-success trade-off than non-adaptive baselines, tracing an entire operating curve as a single threshold is varied, and substantially reduces VLM calls at matched success rate. The same trade-off appears in our real-robot experiments, where TUD cuts generalist calls by 75% relative to the strongest fixed-interval baseline while achieving an even higher success rate. Our results suggest that predictive uncertainty provides a practical criterion for adaptive reasoning in efficient VLA control.
• Abstract（参考訳）: Dual-system Vision-Language-Action (VLA)モデルは、遅い推論可能なジェネラリストと高速なスペシャリストのアクションエキスパートをペアにすることで、リアルタイムのロボット制御を改善する。 しかし、既存の手法は、決定の複雑さがロールアウト毎に異なるという事実を無視して、ある周波数でジェネラリストを呼び出す。 この静的戦略は計算を簡単なフェーズで無駄にし、シーンが予期せず変化すると再推論を遅らせる。 本稿では,不必要な一般呼び出しを選択的にスキップする適応型推論フレームワークであるTUD(Triggering generalist reasoning via predictive Uncertainty for Dual-system VLA)を提案する。 TUDは、キャッシュされたジェネラリストコンテキストの下で、次のチャンクスロットでのアクション再予測のクロスステップ分散を予測不確実性信号として測定する。 この信号は、新しい観測が到着し、既に実行されているアーキテクチャの前方から計算された将来のアクションプランがどれだけシフトするかを捉え、手動のフェーズラベルも補助的な不確実性モデルも必要としない。 VLA-Arenaでは、ウォールクロックのオーバーヘッドを低く保ちながら、他の不確実性ベースラインよりも一致した呼び出し予算で高い成功率を実現し、より一貫してロールアウトから成功を分離する。 また、TUDは、非適応ベースラインよりもより有利なコスト削減トレードオフを見つけ、単一のしきい値として操作曲線全体をトレースし、一致した成功率でのVLM呼び出しを大幅に削減する。 TUDは、より高い成功率を達成しつつ、最強の固定インターバルベースラインに対して、ジェネラリストの呼び出しを75%削減します。 この結果から,予測の不確実性は,効率的なVLA制御における適応推論の実践的基準となることが示唆された。

関連論文リスト

• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• Uncertainty-Guided Sparse Refinement for Action Chunking Transformer Policies [10.02061062596699]
  最近のアクションチャンキング手法は、時間的に拡張されたアクションシーケンスを予測することによって、有望な性能を示す。 本研究では,チャンクベースのビジュモータポリシのためのスパース改良フレームワークであるUncertainty-Guided Refinement (UGR)を提案する。
  論文  参考訳（メタデータ） (2026-09-14T16:37:35Z)
• Robust Activation Map Rectification for Weakly Supervised Volumetric Segmentation: Temporal Coherence as a Free Lunch [31.156115062163412]
  弱教師付きセグメンテーションは、最初にターゲット領域をローカライズするためにクラスアクティベーションマップ(CAM)に大きく依存している。 既存の治療法は、通常、追加のトレーニングステージやプロトタイプ学習を導入し、計算コストを増大させ、堅牢性を低下させる。 本研究では, 容積データの時間的・構造的コヒーレンスをフリーランチとして利用することにより, 信頼できないCAMを修正できる, トレーニング不要なプロトタイプフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:07:38Z)
• VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models [19.137291311347788]
  視覚言語アクションモデル(VLA)は、多くのロボットタスクで最先端のパフォーマンスを達成するが、それでも、アウト・オブ・ディストリビューションのシナリオでは予測不可能に振る舞うことができる。 本稿では、2つの新しい障害検出器を最小限のオーバーヘッドで結合するフレームワークであるVLA-FAILを提案する。
  論文  参考訳（メタデータ） (2026-06-19T12:51:21Z)
• LoopVLA: Learning Sufficiency in Recurrent Refinement for Vision-Language-Action Models [13.30873593845724]
  LoopVLAは、表現の洗練、アクション予測、十分性推定を学習する、リカレントなVision-Language-Actionアーキテクチャである。 この結果から,LoopVLAはVLAポリシーの効率性向上のフロンティアを推し進め,パラメータを45%削減し,推論スループットを最大1.7倍向上させることを示した。
  論文  参考訳（メタデータ） (2026-05-11T03:51:22Z)
• RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
  RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。 成功、回復、失敗の軌跡に異なる役割を割り当てる。 対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
  論文  参考訳（メタデータ） (2026-05-10T08:24:05Z)
• Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation [50.23374353859762]
  多様な単発デモを収集することで「最大限のカバレッジ」を達成できる。 我々は、この現象を包括的-密度トレードオフとして定式化する。 Anchor-Centric Adaptation (ACA) は、2段階のフレームワークで、まずコアアンカーでの繰り返しデモを通じてポリシースケルトンを安定化し、次に教師力によるエラーマイニングと制約付き残差更新を通じて高リスク境界までカバー範囲を広げる。
  論文  参考訳（メタデータ） (2026-05-08T07:35:24Z)
• VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
  適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
  論文  参考訳（メタデータ） (2026-05-02T02:13:11Z)
• Shifting Uncertainty to Critical Moments: Towards Reliable Uncertainty Quantification for VLA Model [10.781664119473966]
  本稿では,ロールアウトの成功と失敗を予測するための統一的不確実性定量化手法を提案する。 本手法は, 故障予測精度を大幅に向上し, 故障検出のための信頼性の高い信号を得る。
  論文  参考訳（メタデータ） (2026-03-18T22:52:03Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)

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。