論文の概要: Towards Efficient Robotic Manipulation Models with Self-Recursive Pruning

• arxiv url: http://arxiv.org/abs/2610.08555v1
• Date: Tue, 06 Oct 2026 15:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.089375
• Title: Towards Efficient Robotic Manipulation Models with Self-Recursive Pruning
• Title（参考訳）: 自己再帰型プルーニングを用いた効率的なロボットマニピュレーションモデルの実現に向けて
• Abstract要約: Loss-Conditioned Activation-Moment (LCAM) プルーニングは、事前訓練されたロボット操作ポリシーの非構造化プルーニングのための訓練不要な方法である。 我々のアルゴリズムは刈り込み後の回収訓練やシミュレータのロールアウトが不要である。
• 参考スコア（独自算出の注目度）: 23.3017683742757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network pruning can reduce parameter redundancy in robotic policies. However, generic pruning criteria are tailored for image recognition tasks and commonly designed to preserve weight magnitude, local reconstruction, or language-model likelihood rather than closed-loop action behavior. Directly applying these pruning algorithms to robotic tasks yields unsatisfactory performance. In this paper, we propose Loss-Conditioned Activation-Moment (LCAM) pruning, a training-free method for unstructured pruning of pre-trained robotic manipulation policies. Specifically, we first rank connections using row-normalized weight contribution, activation moments measured on calibration demonstrations, and the sensitivity of output directions to the action-prediction loss. We further design a self-recursive coarse-to-fine procedure: importance is recalibrated after each nested coarse pruning stage, while held-out offline action distortion guides fine-grained budget allocation after a sparsity knee. Our algorithm is free from costly recovery training and simulator rollouts after pruning. Experiments on three LIBERO suites with competitive robotic policies, together with evaluations on OpenVLA, show that LCAM attains competitive performance across a broad range of pruning ratios. Notably, on LIBERO-Object with OpenVLA, our LCAM achieves 84.0% success at 50% unstructured pruning, retaining over 90% of the dense policy's success rate. Promising results on real-world robotic ping pong further demonstrate the effectiveness of our pruning algorithm.
• Abstract（参考訳）: ネットワークプルーニングは、ロボットポリシーにおけるパラメータの冗長性を減少させる。 しかし、一般的なプルーニング基準は画像認識タスクに適合し、一般にクローズループ動作よりも重量級、局所的再構成、言語モデルの可能性を維持するように設計されている。 ロボットタスクにこれらのプルーニングアルゴリズムを直接適用すると、不満足なパフォーマンスが得られる。 本稿では、事前訓練されたロボット操作ポリシーの非構造的プルーニングのための訓練不要な方法であるLCAMプルーニング(Los-Conditioned Activation-Moment)を提案する。 具体的には、行正規化ウェイトコントリビューション、キャリブレーション実証で測定されたアクティベーションモーメント、および動作予測損失に対する出力方向の感度を用いた第1位接続について述べる。 我々はさらに, 自再帰的粗大な手順を設計し, ネストした粗大な刈り出し段階の後に重要度を補正する一方, オフライン動作の歪みを保留し, ひざを緩めると細かな予算配分を導出する。 我々のアルゴリズムは刈り込み後の回収訓練やシミュレータのロールアウトが不要である。 競争力のあるロボットポリシーを備えた3つのLIBEROスイートの実験は、OpenVLAの評価とともに、LCAMが幅広いプルーニング比率で競争性能を発揮することを示した。 特に, LIBERO-Object with OpenVLAでは, LCAMは50%非構造化プルーニングで84.0%の成功を達成し, 密集政策の成功率の90%以上を維持している。 実世界のロボットピンポンの試作結果はさらに, 刈り上げアルゴリズムの有効性を実証している。

関連論文リスト

• HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
  本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。 ロールアウト内では、プログラムレベルでオープンループを実行する。 デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
  論文  参考訳（メタデータ） (2026-09-24T07:40:00Z)
• Efficient Post-Training Pruning of Large Language Models with Statistical Correction [13.11437082803784]
  訓練後のプルーニングは、大規模言語モデルのサイズと推論コストを減らす効果的なアプローチである。 モデル重みとアクティベーションの1次統計特性に基づく軽量な後訓練型プルーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-07T05:36:17Z)
• Bypass Back-propagation: Optimization-based Structural Pruning for Large Language Models via Policy Gradient [57.9629676017527]
  本研究では,プルーンドモデルの損失を最適化することにより,確率空間におけるプルーニングマスクを直接学習する最適化に基づく構造的プルーニングを提案する。 我々は、基底となるベルヌーイ分布をサンプルのバイナリ・プルーニングマスクに学習することでこれを実現する。 LLaMA, LLaMA-2, LLaMA-3, Vicuna, Mistral モデルによる実験により, 本手法の有効性と有効性を示すことができた。
  論文  参考訳（メタデータ） (2024-06-15T09:31:03Z)
• Learning a Consensus Sub-Network with Polarization Regularization and One Pass Training [2.895034191799291]
  プルーニングスキームは、静的プルーニングのための反復的なトレーニングと微調整、動的プルーニンググラフの繰り返し計算によって、余分なオーバーヘッドを生み出す。 本稿では,より軽量なサブネットワークを学習するためのパラメータ解析手法を提案する。 CIFAR-10, CIFAR-100, Tiny Imagenet で得られた結果から, ディープネットワークにおける接続の50%を, 1%の分類精度で除去できることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T09:37:17Z)
• Advancing Model Pruning via Bi-level Optimization [89.88761425199598]
  イテレーティブ・マグニチュード・プルーニング(IMP)は,「入賞券」の発見に成功するプルーニング法である ワンショットプルーニング法が開発されているが、これらのスキームは通常IMPほど勝利のチケットを見つけることができない。 提案手法は,双線形問題構造を持つBLO問題の特別なクラスであることを示す。
  論文  参考訳（メタデータ） (2022-10-08T19:19:29Z)

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。