論文の概要: StairVLA: Stage-Aware Hierarchical Action Generation for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.07756v1
• Date: Tue, 06 Oct 2026 04:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.806028
• Title: StairVLA: Stage-Aware Hierarchical Action Generation for Vision-Language-Action Models
• Title（参考訳）: StairVLA:視覚・言語・行動モデルのための段階認識階層的行動生成
• Abstract要約: ステージアウェアな階層型アクション生成フレームワークであるStairVLAを紹介する。 高レベルVLAは早期に偏極を行い、再利用可能なロングホライズン部分偏極作用軌道を生成する。 軽量精錬機は、最新の観測で局所的な作用チャンクを精錬するために高周波数で動作する。
• 参考スコア（独自算出の注目度）: 3.2084033301832755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models increasingly rely on diffusion- or flow-matching-based action heads to generate continuous robot actions. These action heads typically process the denoising trajectory in a largely uniform manner. However, we observe that the conditioning focus naturally shifts across denoising stages: early stages combine language instructions and visual observations to establish a coarse action trajectory, whereas later stages place greater emphasis on current visual observations for action alignment. Based on this insight, we introduce StairVLA, a stage-aware hierarchical action generation framework that uses partially denoised actions as a natural interface between coarse long-horizon action generation and local refinement. A high-level VLA performs early denoising to produce a reusable long-horizon partially denoised action trajectory, while a lightweight refiner operates at a higher frequency to refine local action chunks using the latest observations. This design amortizes expensive high-level VLA computation while preserving frequent closed-loop correction. On LIBERO, our GR00T-style instantiation improves average success from 96.5% to 97.8% while reducing amortized inference latency from 115.0 ms to 44.2 ms per action chunk. More broadly, across two VLA backbones, simulation benchmarks, and real-robot tasks, StairVLA consistently reduces inference cost while maintaining strong task performance.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、連続ロボットアクションを生成するために拡散またはフローマッチングベースのアクションヘッドにますます依存している。 これらのアクションヘッドは典型的には、ほとんど均一な方法で認知軌道を処理する。 初期段階は言語指導と視覚観察を組み合わせて粗い行動軌跡を確立するが、後期段階は現在の視覚観察に重点を置いて行動アライメントを行う。 この知見に基づき、我々は、粗い長水平アクション生成と局所的な洗練の間の自然なインターフェースとして部分的な認知されたアクションを利用する、段階的に認識された階層的なアクション生成フレームワークであるStairVLAを紹介した。 高レベルVLAは、再利用可能なロングホライズン部分偏光作用軌道を生成するために早期に偏光を行い、一方、軽量精製器は高周波数で動作し、最新の観測値を用いて局所的な作用チャンクを精製する。 この設計は、頻繁に閉ループ補正を保ちながら、高価な高レベルVLA計算を補正する。 LIBEROでは、GR00Tスタイルのインスタンス化により平均的な成功率が96.5%から97.8%に向上し、1アクションチャンクあたり115.0msから44.2msに減少する。 より広義には、2つのVLAバックボーン、シミュレーションベンチマーク、リアルタイムロボットタスクにおいて、StairVLAは、強いタスクパフォーマンスを維持しながら、推論コストを一貫して削減する。

関連論文リスト

• ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning [6.34168955365431]
  ActionUNetは、Vision-Language-Action(VLA)モデルの効率的なマルチスケール微調整フレームワークである。 我々は,ActionUNetが0.5の成功率を,それぞれ9.8%,6.1%,11.4%で著しく向上させることを示した。
  論文  参考訳（メタデータ） (2026-09-28T11:57:00Z)
• RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models [65.30288525352879]
  フローベース視覚言語アクション(VLA)モデルは、汎用ロボット操作に非常に効果的である。 計算コストのかかるVLMエンコーディングとマルチステップ反復アクション生成に依存しているため、大きな遅延ボトルネックが生じる。 本稿では、VLMバックボーンとアクションエキスパートの両方の計算ボトルネックに対処する非同期推論フレームワークであるRAVELを用いて、この制限に対処する。
  論文  参考訳（メタデータ） (2026-09-28T02:45:40Z)
• TS-Mask VLA: 2D Temporal-Spatial Masking for Vision-Language-Action Model with Effective Bridging [18.666233973595762]
  TS-Mask VLAはロボット操作のための視覚言語アクションフレームワークである。 本手法は,(1)ブリッジアテンションコンディショニングブリッジを備えた離散アクションエキスパート,(2)時空間2Dマスキング戦略の2つの重要な設計に基づいて構築されている。 0.5Bパラメータしか持たない平均的な成功率は9%に達し、かなり大きなモデルを上回る。
  論文  参考訳（メタデータ） (2026-07-10T07:06:02Z)
• RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
  本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。 潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。 RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
  論文  参考訳（メタデータ） (2026-05-13T11:58:02Z)
• StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation [30.881585159777714]
  視覚言語アクション(VLA)モデルは、自然言語による知覚と制御において例外的な性能を示した。 VLAモデルの高い計算コストは、大きな効率上の課題をもたらす。 本稿では,VLAステージ間で非同期並列化が可能なVLAを実現することを提案する。
  論文  参考訳（メタデータ） (2026-03-30T15:23:27Z)
• Mean-Flow based One-Step Vision-Language-Action [15.497933767026568]
  FlowMatchingベースのVision-Language-Action(VLA)フレームワークは、高周波アクションチャンクを生成する上で、顕著なアドバンテージを示している。 それらは、本質的に反復的なサンプリング要件とアーキテクチャ上の制限から生じる、世代遅延の延長によって制約される。 本稿では,アクション生成プロセスにおけるノイズによる問題を解消する,平均フローに基づくワンステップVLA手法を提案する。
  論文  参考訳（メタデータ） (2026-03-02T05:30:30Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• 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。