論文の概要: MARS: Systematic Multi-Level Acceleration for World Action Models

• arxiv url: http://arxiv.org/abs/2610.17141v1
• Date: Mon, 12 Oct 2026 17:26:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:07:05.798918
• Title: MARS: Systematic Multi-Level Acceleration for World Action Models
• Title（参考訳）: MARS:世界行動モデルのためのシステマティックマルチレベル加速
• Abstract要約: 世界行動モデル(WAM)は、未来の世界状態とロボットのアクションを共同で予測することで、インテリジェンスを具現化するための有望な代替手段として登場した。 既存のトレーニングフリー加速法は、通常、1つのステージを最適化し、限定的なスピードアップまたはアグレッシブな再利用下での劣化制御をもたらす。 マルチレベル WAM アクセラレーションのためのトレーニングフリーかつプラグイン・アンド・プレイフレームワークである textbfMARS を導入する。
• 参考スコア（独自算出の注目度）: 32.530481690189646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) have emerged as a promising alternative for embodied intelligence by jointly predicting future world states and robot actions. However, their heavy visual encoding and iterative generative inference incur substantial latency, limiting their applicability to high-frequency closed-loop control. Existing training-free acceleration methods typically optimize a single stage, yielding limited speedups or degraded control under aggressive reuse. In this work, we systematically profile the inference overhead of WAMs and observe abundant redundancy across Transformer computation, diffusion denoising, and consecutive policy queries. However, the safe removal of such redundancy depends strongly on its impact on action prediction and control sensitivity. Based on these observations, we introduce \textbf{MARS}, a training-free and plug-and-play framework for multi-level WAM acceleration. MARS selectively removes low-impact attention computation, adaptively accelerates diffusion inference according to motion granularity, and speculatively reuses predicted future visual representations across consecutive queries with online verification. Together, these complementary mechanisms provide remarkable acceleration while limiting approximation error. Extensive experiments across LIBERO, LIBERO-PRO, and RoboCasa show that MARS achieves up to $4.00\times$, $3.94\times$, and $2.10\times$ end-to-end speedups, respectively, while maintaining task success rate close to the original policy. Moreover, MARS generalizes across different model backbones and across simulation and real-robot experiments, substantially improving the efficiency--performance trade-off of WAM inference. Our code is available at https://github.com/PKU-VaLuE-Lab/MARS.
• Abstract（参考訳）: 世界行動モデル(WAM)は、未来の世界状態とロボットのアクションを共同で予測することで、インテリジェンスを具現化するための有望な代替手段として登場した。 しかし、その重い視覚的エンコーディングと反復的生成推論は、かなり遅延し、高周波クローズドループ制御の適用性を制限する。 既存のトレーニングフリー加速法は、通常、1つのステージを最適化し、限定的なスピードアップまたはアグレッシブな再利用下での劣化制御をもたらす。 本研究では,WAMの予測オーバーヘッドを体系的に分析し,トランスフォーマー計算,拡散デノゲーション,連続ポリシークエリにまたがる豊富な冗長性を観察する。 しかし、そのような冗長性の安全な除去は、その作用予測と制御感度への影響に強く依存する。 これらの観測結果に基づき,マルチレベルWAMアクセラレーションのためのトレーニングフリーでプラグアンドプレイのフレームワークである \textbf{MARS} を紹介する。 MARSは、低インパクトの注意計算を選択的に除去し、動きの粒度に応じて拡散推論を適応的に加速し、オンライン検証を伴う連続クエリ間で予測される将来の視覚表現を投機的に再利用する。 これらの相補的な機構は近似誤差を制限しながら顕著な加速を与える。 LIBERO、LIBERO-PRO、RoboCasaの広範な実験により、MARSは最大4.00\times$、$3.94\times$、$2.10\times$エンドツーエンドのスピードアップを達成した。 さらに、MARSは、異なるモデルバックボーン、シミュレーションと実ロボット実験をまたいで一般化し、WAM推論の効率-性能トレードオフを大幅に改善する。 私たちのコードはhttps://github.com/PKU-VaLuE-Lab/MARS.comで公開されています。

関連論文リスト

• Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
  Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。 Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。 4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
  論文  参考訳（メタデータ） (2026-09-16T06:38:36Z)
• Scaling Reinforcement Learning for Diffusion Models via Velocity Matching [66.34541945134916]
  RewardBenchファインチューニングは、人間の好みやタスク固有の目的に拡散モデルを適用するための重要なツールである。 自己回帰モデルとは異なり、拡散モデルは生成したサンプルの抽出可能な可能性を提供しない。 本稿では,速度場に直接作用する単純なトラジェクトリフリー更新である報酬ベースベロシティマッチング(RVM)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T17:13:43Z)
• FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
  フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。 トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。 我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
  論文  参考訳（メタデータ） (2026-07-31T10:11:09Z)
• High-Fidelity One-Step Generative Visuomotor Policy via Recursive Correction, Frequency Consistency, and Contrastive Flow Matching [3.5570904967011505]
  拡散や流れのマッチングのような生成モデルは、多モーダルな行動分布をモデル化することによって、ロボットビズモータポリシーを進化させた。 既存のワンステップ加速法は、生成プロセス全体を1つの大きな更新に圧縮し、空間偏差、周波数歪み、モード平均化をもたらす。 本稿では,これらの問題に3つの相補的なメカニズムで対処する,高忠実な1ステップ生成型ビズモータポリシーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T13:12:38Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• 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)
• Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward [11.066720921275648]
  視覚言語アクション(VLA)モデルは、ロボット操作に非常に有望である。 厳格な産業用ロボットへの展開は、コンプライアンスと応答性の本質的にのトレードオフのため、依然として困難である。 本稿では、このトレードオフを解決するために、速度フィードフォワード項をVLAポリシーに統合することの重要性を示す。
  論文  参考訳（メタデータ） (2026-03-17T07:50:00Z)
• From Flow to One Step: Real-Time Multi-Modal Trajectory Policies via Implicit Maximum Likelihood Estimation-based Distribution Distillation [18.70033095161235]
  Indicit Likelihood Estimation (IMLE) を用いて条件付きフローマッチングの専門家を高速な単一ステップの学生に蒸留する枠組みを提案する。 双方向のチャンファー距離は、モードカバレッジと忠実度の両方を促進する設定レベルの目的を提供する。 統合認識エンコーダは、さらに多視点RGB、深度、点雲、プロプレセプションを幾何学的認識表現に統合する。
  論文  参考訳（メタデータ） (2026-03-10T09:30:05Z)
• STEP: Warm-Started Visuomotor Policies with Spatiotemporal Consistency Prediction [16.465783114087223]
  反復デノゲーションは、リアルタイム閉ループシステムにおける制御周波数を制限し、相当な推論遅延をもたらす。 高品質なウォームスタート動作を構築するための軽量時整合予測機構STEPを提案する。 2段階のSTEPは、RoboMimicベンチマークや実世界のタスクでBRIDGERやDDIMよりも平均21.6%、27.5%高い成功率を達成することができる。
  論文  参考訳（メタデータ） (2026-02-09T03:50:40Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)

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。