論文の概要: RealtimeWAM: How Fast Can I Run My World Action Model?
- arxiv url: http://arxiv.org/abs/2610.10079v1
- Date: Wed, 07 Oct 2026 13:44:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.940123
- Title: RealtimeWAM: How Fast Can I Run My World Action Model?
- Title（参考訳）: RealtimeWAM: 世界アクションモデルの実行速度はどれくらいか?
- Abstract要約: World Action Models (WAM)は、視覚力学モデリングとアクション生成を組み合わせるが、高い推論遅延はロボットの応答性を制限する。
最近の取り組みは、FastWAMのように、テスト時に露骨な将来ビデオ生成を削除することで推論を加速する。
低遅延推論のための適応計算と並列実行を協調するフレームワークであるRealtimeWAMを提案する。
- 参考スコア（独自算出の注目度）: 18.4760626624844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs) combine visual dynamics modeling with action generation, but their high inference latency limits responsive robot control. Recent efforts accelerate inference by removing explicit future-video generation at test time, as in FastWAM, an approach that requires a specially tailored architectural design. More general caching strategies exploit feature redundancy, but redundancy alone does not capture the changing computational demands of closed-loop control. To address these challenges, we present RealtimeWAM, a general, training-free framework that coordinates parallel execution with adaptive computation for low-latency inference across diverse WAM architectures. We exploit layerwise dependencies to overlap observation processing with prediction. However, concurrent branches still compete for GPU resources, limiting the benefit of parallel execution. We therefore adapt computation throughout the pipeline through selective reuse, caching observation features in visually stable regions and reusing Transformer residuals while reserving additional refinement for small predicted adjustments. We evaluate RealtimeWAM on FastWAM and OpenWAM across RoboTwin, LIBERO, and LIBERO-Plus. On an RTX 4090, measured mean inference latencies are 24.09 and 63.09 ms, corresponding to average speedups of 8.90$\times$ and 10.67$\times$. Average success rates are 82.75% and 87.41%, respectively, within 0.02 and 0.53 percentage points of native inference. Across five real-world tasks, RealtimeWAM improves average success rates over native inference by 17.2 and 37.2 percentage points on FastWAM and OpenWAM, respectively.
- Abstract（参考訳）: World Action Models (WAM)は、視覚力学モデリングとアクション生成を組み合わせるが、高い推論遅延はロボットの応答性を制限する。
最近の取り組みは、FastWAMのように、テスト時に明示的な将来のビデオ生成を削除することで推論を加速する。
より一般的なキャッシュ戦略は特徴冗長性を利用するが、冗長性だけでは閉ループ制御の計算要求の変化を捉えない。
これらの課題に対処するため,多種多様なWAMアーキテクチャをまたいだ低遅延推論のための並列実行と適応計算を協調する,一般的なトレーニング不要のフレームワークであるRealtimeWAMを提案する。
我々は階層的な依存関係を利用して、観測処理と予測を重複させます。
しかし、並列ブランチは依然としてGPUリソースと競合し、並列実行のメリットを制限している。
そこで我々は, 選択的再利用, 視覚的に安定な領域における観測特性のキャッシュ, トランスフォーマー残差の再利用を通じて, パイプライン全体の計算を適応させるとともに, 予測された小さな調整のためにさらなる改善を保ったままにしておく。
我々は、roboTwin, LIBERO, LIBERO-PlusをまたいだFastWAMとOpenWAMのリアルタイムWAMを評価する。
RTX 4090では、平均推定速度は24.09msと63.09msであり、平均速度は8.90$\times$と10.67$\times$である。
平均成功率は82.75%と87.41%で、それぞれ0.02と0.53の範囲内である。
実世界の5つのタスクの中で、RealtimeWAMはFastWAMとOpenWAMでそれぞれ17.2ポイント、37.2ポイントのネイティブ推論よりも平均的な成功率を改善している。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - Efficient World Action Model Inference with Adaptive Intermediate States [21.241948060806934]
$mathrmWAMscriptstylemathrmACHINE$は、WAM推論のためのトレーニング不要のフレームワークである。
制御ループが進化するにつれて、推論状態を効率的かつ正確な継続のために保存し、適応する。
$mathrmWAMscriptstylemathrmACHINE$は1.47-3.05$times$speedups in Observation-to-action latencyと2.23-3.27$times$ speedups in GPU inference time per replanを達成する。
論文 参考訳（メタデータ） (2026-09-28T08:37:39Z) - DeltaWAM: Delta World Action Models for Bimanual Manipulation [61.57435324858005]
ワールドアクションモデル(WAM)は、事前訓練されたビデオジェネレータから、視覚力学とアクションを共同でモデル化することによって、視覚と動きの先行をロボット制御に転送する。
本稿では,高密度アンカー,スパースデルタ,アクションストリームを用いて,視覚的デルタとアクションを共同で予測するDeltaWAMを提案する。
RoboTwinでは、SDMを使用したDeltaWAMは、Fast-WAMの平均的な成功を81.3%から85.4%に改善し、ビジュアルランダム化の下で75.8%から83.9%に改善した。
論文 参考訳（メタデータ） (2026-09-23T21:45:16Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing [45.6226084109777]
本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築されたAHA-WAM(Asynchronous Horizon-Adaptive World-Action Model)を提案する。
AHA-WAMはロボットデータの事前学習なしに最先端のパフォーマンスを達成し、RoboTwinで平均92.80%、実世界の4つのタスクで78.3%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-08T17:55:18Z) - Realtime-VLA FLASH: Speculative Inference Framework for Diffusion-based VLAs [21.96186978437001]
Realtime-VLA FLASHは投機的推論フレームワークであり、リプラン中のほとんどの完全な推論コールを排除している。
LIBEROでは、FLASHが58.0msのフル推論ラウンドを7.8msの速さで投機ラウンドに置き換えることで、タスクパフォーマンスをほぼ維持できることが示されている。
また,実世界のコンベアベルトソートにおける実効性を実証し,遅延クリティカルな実施課題に対する実用的影響を強調した。
論文 参考訳（メタデータ） (2026-05-13T16:57:51Z) - 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) - A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model [112.9420001646428]
VLA(Vision-Language-Action)モデルは、オープンワールドロボット操作の強力なパラダイムとして登場したが、実際の展開はコストに制約されることが多い。
我々は、低コストで高スループットな推論のために設計された、完全にオープンソースで透明なVLAフレームワークであるA1を提示する。
A1は最先端の成功率を達成すると同時に、推論コストを大幅に削減する。
論文 参考訳（メタデータ） (2026-04-07T10:18:40Z) - FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。
反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。
即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
論文 参考訳（メタデータ） (2026-03-19T17:51:37Z) - Pip-Stereo: Progressive Iterations Pruner for Iterative Optimization based Stereo Matching [2.226667542457085]
反復的改善を解析し,不均一な更新が空間的に疎外であり,時間的に冗長であることを明らかにする。
専用単分子エンコーダを必要とせず,奥行き先を暗黙的に埋め込む,協調的な単分子先行転送フレームワークを提案する。
第3に,構造化空間とI/O意識設計を利用したハードウェア対応RNN演算子であるFlashGRUを開発した。
論文 参考訳（メタデータ） (2026-02-24T02:51:37Z)
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。