論文の概要: FreeSpeed: Training-Free Speed Control for Generative Robot Policies

• arxiv url: http://arxiv.org/abs/2610.05734v1
• Date: Mon, 05 Oct 2026 03:34:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:46:17.454497
• Title: FreeSpeed: Training-Free Speed Control for Generative Robot Policies
• Title（参考訳）: FreeSpeed: 生成ロボットポリシーの学習自由速度制御
• Abstract要約: FreeSpeedはトレーニング不要のモジュールで、事前訓練されたポリシーからアクションチャンクを処理する。 実行速度が要求された速度にどの程度接近できるかを適応的に決定する。 FreeSpeedはオンラインの速度変更をサポートし、実行速度は0.22倍から2.53倍である。
• 参考スコア（独自算出の注目度）: 20.494232027644316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online control of execution speed is essential for deploying robot policies in real-world scenarios, as robots may need to speed up under time constraints or slow down to facilitate human interaction and improve safety. However, imitation-learned policies inherit the execution speed of their demonstrations, and test-time speed modification can introduce unrecoverable out-of-distribution observations, reducing task success. We observe that the directional inconsistency of action chunks reflects task-phase criticality, indicating how aggressively action step lengths can be modified while preserving task success. Based on this observation, we introduce FreeSpeed, a training-free module that post-processes action chunks from pretrained policies. FreeSpeed resamples each predicted chunk at the requested rate, then uses directional inconsistency between adjacent actions as the primary signal for rescaling. This signal adaptively determines how closely the execution speed can approach the requested speed, allowing flexible speed adjustment within the evaluated limits without compromising task success. Across three policy families and 50 simulated tasks, FreeSpeed supports online speed changes, with realized execution rates spanning 0.22x to 2.53x among settings that preserve per-task success. Across four real-world manipulation tasks, FreeSpeed achieves an average success rate of 94.0%, matching the frozen policy's 93.8%, while realizing execution rates from 0.38x to 1.97x.
• Abstract（参考訳）: ロボットの動作速度のオンライン制御は、ロボットポリシーを現実のシナリオに展開するために不可欠である。 しかし、模倣学習されたポリシーはデモの実行速度を継承し、テストタイムの速度修正は発見不可能なアウト・オブ・ディストリビューションの観察を導入し、タスクの成功を減少させる。 動作チャンクの方向性の不整合性はタスクフェーズの臨界性を反映し,タスクの成功を保ちながら,アクションステップの長さを積極的に変更できることを示す。 この観察に基づいて、事前訓練されたポリシーからアクションチャンクを後処理するトレーニング不要なモジュールであるFreeSpeedを紹介した。 FreeSpeedは、各予測チャンクを要求されたレートで再サンプリングし、次に、隣り合うアクション間の方向性の不整合を、再スケーリングの主信号として使用する。 この信号は、実行速度が要求された速度にどの程度接近できるかを適応的に決定し、タスク成功を損なうことなく、評価された限界内で柔軟な速度調整を可能にする。 3つのポリシーファミリと50のシミュレートされたタスクで、FreeSpeedはオンラインの速度変化をサポートし、タスクごとの成功を保った設定のうち、実行速度は0.22倍から2.53倍に向上した。 4つの実世界の操作タスクの中で、FreeSpeedは平均94.0%の成功率に達し、凍結されたポリシーの93.8%と一致し、実行速度は0.38倍から1.97倍に向上した。

関連論文リスト

• SpeedTuning: Speeding Up Policy Execution with Lightweight Reinforcement Learning [44.701558695482476]
  我々は,操作ポリシーの高速化に特化して設計された強化学習フレームワークであるSpeedTuningを紹介する。 SpeedTuningはアクションの最適な実行速度を予測し、基本ポリシーを補完する。 我々は、SpeedTuningが2.4倍のスピードアップで実行速度を大幅に改善する実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-08-10T05:31:41Z)
• AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation [11.362770278564973]
  ILベースのビジュモータポリシーは、専門家によるデモンストレーションの実行速度を模倣し、固定時間的予測水平線で運用する。 本稿では,モデルに依存しない学習フレームワークであるAutoSpeedを紹介した。 AutoSpeedはタスクの実行時間を大幅に短縮し、成功率も向上することを示す。
  論文  参考訳（メタデータ） (2026-07-01T15:13:12Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• Mean Flow Policy with Instantaneous Velocity Constraint for One-step Action Generation [65.13627721310613]
  平均速度ポリシー(MVP)は、平均速度場をモデル化し、最速のワンステップアクション生成を実現するための新しい生成ポリシー関数である。 MVPはRoomimicとOGBenchのいくつかの困難なロボット操作タスクに対して、最先端の成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-14T14:44:06Z)
• SpeedAug: Policy Acceleration via Tempo-Enriched Policy and RL Fine-Tuning [52.29534291796025]
  強化学習(Reinforcement learning)は、より高速な実行のためにポリシーを適用する、有望なアプローチである。 タスク実行の高速化のために事前学習されたポリシーを効率的に適応するRLベースのポリシーアクセラレーションフレームワークであるSpeedAugを提案する。
  論文  参考訳（メタデータ） (2025-11-24T04:25:47Z)
• SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies [20.52085846080824]
  オフライン・イミテーション・ラーニング(IL)法は複雑なロボット操作技術を得るのに効果的である。 既存のILトレーニングされたポリシーは、デモデータに示すように、タスクを同じ速度で実行することに限定される。 本稿では,ビジュモータポリシーの高速化を実現するための新しい問題を紹介し,定式化する。
  論文  参考訳（メタデータ） (2025-06-13T16:58:20Z)

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。