論文の概要: When to Switch: Reliable Action-Chunk Extension for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.05719v1
• Date: Mon, 05 Oct 2026 03:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:49:04.565154
• Title: When to Switch: Reliable Action-Chunk Extension for Vision-Language-Action Models
• Title（参考訳）: いつ切り替えるか:ビジョン・ランゲージ・アクションモデルのための信頼性の高いアクション・チャンク拡張
• Abstract要約: VLA(Vision-Language-Action)モデルは、ロボット操作のための統一されたポリシーとして機能するが、その高価な推論により、ロボットはポリシー呼び出しの間を停止せざるを得ない。 アクションチャンクの拡張はポリシー呼び出しを減らし、これらの一時停止を減らしますが、将来にわたって予測することは、ロングチャンクの実行を信頼できないものにします。 RACEは,補助的な1ステップの遮音パスから遷移タイミングを予測し,その上で動作生成を行うフレームワークである。
• 参考スコア（独自算出の注目度）: 46.3134738086375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models serve as unified policies for robotic manipulation, yet their expensive inference forces robots to pause between policy calls, resulting in stop-and-go execution that interrupts smooth motion and prolongs task completion. Extending the action chunk reduces policy calls and hence these pauses, but predicting farther into the future makes long-chunk execution unreliable. To understand where this unreliability arises, we analyze action errors within long chunks and find that they concentrate around transitions between manipulation subskills, growing sharply with chunk length. This suggests the importance of transition timing, i.e., when to switch subskills within a chunk. Motivated by this observation, we introduce RACE (Reliable Action-Chunk Extension), a framework that predicts the transition timing from an auxiliary one-step denoising pass and conditions action generation on it. By learning and conditioning on transition timing, RACE reduces errors at subskill transitions and enables reliable execution of longer action chunks. Across simulation benchmarks, RACE outperforms fine-tuning at the same chunk length; with 2x longer chunks, it surpasses recent state-of-the-art and efficient VLAs in success rate, and with 4x longer chunks, it remains competitive. On a real robot, RACE uses 4x longer chunks, which reduces the idle time caused by stop-and-go execution by about 5x, while achieving a higher success rate than fine-tuning with the same chunk length. Code and a real-robot demo are available at https://github.com/Seonghoon-Yu/RACE-VLA
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、ロボット操作のための統一されたポリシーとして機能するが、その高価な推論によってロボットはポリシー呼び出しの間を停止させ、スムーズな動作を中断し、タスク完了を延ばす。 アクションチャンクの拡張はポリシー呼び出しを減らし、これらの一時停止を減らしますが、将来にわたって予測することは、ロングチャンクの実行を信頼できないものにします。 この不確実性の所在を理解するために、長いチャンク内のアクションエラーを分析し、それらが操作サブスキル間の遷移に集中し、チャンクの長さとともに急激に成長することを発見した。 これはトランジッションタイミング、すなわちサブスキルをチャンク内で切り替えるタイミングの重要性を示唆している。 この観察により,補助的な一段階認知パスから遷移タイミングを予測するフレームワークであるRAS(Reliable Action-Chunk Extension)を導入する。 RACEは、移行タイミングの学習と条件付けによって、サブスキル移行時のエラーを低減し、より長いアクションチャンクの実行を信頼できるものにする。 2倍長いチャンクでは、最近の最先端で効率的なVLAよりも成功率が高く、4倍長いチャンクでは競争力がある。 実際のロボットでは、RACEは4倍の長いチャンクを使用するため、停止と終了によるアイドル時間を約5倍削減できると同時に、同じチャンク長の微調整よりも高い成功率を達成することができる。 コードと実ロボットのデモはhttps://github.com/Seonghoon-Yu/RACE-VLAで公開されている。

関連論文リスト

• Proprioceptive Sketches as Long-Horizon Intent for Generative Action Policies [13.37508318790699]
  生成ロボットポリシーは、短いアクションチャンクを予測するが、明示的なロングホライゾン意図は欠如している。 近年の手法では、言語計画、サブゴール画像、ビデオ予測などを通じて、より長い水平構造を公開している。 本稿では,ロボットが残するジョイントスペースパスのコンパクトでタイミングのないスケッチを共同生成するプロプライオセプティブ・アクション・モデルを提案する。
  論文  参考訳（メタデータ） (2026-10-02T03:40:32Z)
• DSDyn-VLA: A Dual-Stream Dynamic Manipulation Framework with Motion Perception, Future Awareness, and Realtime Correction [57.09454532322636]
  Slow-Fast textbfDual-textbfStream textbfDynamic 操作フレームワーク textbfDSDyn-VLA を提案する。 動き認識型計画とリアルタイム残差補正を統合している。
  論文  参考訳（メタデータ） (2026-09-30T07:49:16Z)
• Action Chunking Proximal Policy Optimization with Feedback Correction [24.47744124194428]
  アクションチャンキングは強化学習における時間的抽象化を提供する。 本稿では,PPO拡張であるAction Chunking PPO(ACPPO)について述べる。 ACPPO-Corrは、各チャンク内で計画されたアクションをオンラインで調整するステップワイズフィードバック修正器でチャンクプランナを強化します。
  論文  参考訳（メタデータ） (2026-09-28T20:43:07Z)
• Act More, Decide Less: Skill-Guided Adaptive Action Chunking for Long-Horizon LLM Agents [50.85250898062218]
  大規模言語モデル(LLM)エージェントは、通常、ReActスタイルのプロトコルに従う。 自然な方法は、エージェントが可変長のアクションチャンクを出力することです。 しかし、こうした政策を標準的な強化学習で素直に訓練することは失敗する。
  論文  参考訳（メタデータ） (2026-09-02T03:17:11Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
  外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。 DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
  論文  参考訳（メタデータ） (2026-04-27T23:04:03Z)
• 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)
• VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference [24.248289541718275]
  非同期推論は、連続および低レイテンシ制御を実現するための有望なソリューションを提供する。 本稿では,ビジョン・ランゲージ・アクションモデルのための一般的な非同期推論フレームワークであるVLASHを提案する。 追加のオーバーヘッドやアーキテクチャの変更なしに、スムーズで、正確で、高速な反応制御を提供する。
  論文  参考訳（メタデータ） (2025-11-30T18:59:24Z)
• Real-Time Execution of Action Chunking Flow Policies [49.1574468325115]
  本稿では,アクションインタラクションシステムの非同期実行を可能にする新しい推論時アルゴリズムを提案する。 これは、再トレーニングなしでボックスから実行する拡散またはVLAベースのシステムに適用できる。 その結果、RTCは高速で、性能が高く、推論操作に対して一意に堅牢であることがわかった。
  論文  参考訳（メタデータ） (2025-06-09T01:01:59Z)

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。