論文の概要: Accelerating VLA Inference with Perturbation Informed Execution

• arxiv url: http://arxiv.org/abs/2610.19656v3
• Date: Sun, 18 Oct 2026 11:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.294082
• Title: Accelerating VLA Inference with Perturbation Informed Execution
• Title（参考訳）: 摂動インフォームされた実行によるVLA推論の高速化
• Abstract要約: アクションチャンキング視覚言語アクション(VLA)モデルは、将来のロボットアクションのシーケンスを予測する。 固定水平実行では、ロボットは、各予測チャンクの固定長プレフィックスを実行した後、再びポリシーを呼び出す。 本稿では,次のポリシーコールの前に実行されるアクションチャンクとアクション数を共同で選択する,トレーニング不要なPICESを提案する。
• 参考スコア（独自算出の注目度）: 27.545857699229956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Action-chunking vision-language-action (VLA) models predict sequences of future robot actions. Under fixed-horizon execution, the robot executes a fixedlength prefix of each predicted chunk before invoking the policy again, leaving the remaining predictions unused. For a given number of executed actions, short execution horizons require more policy calls. Extending the execution horizon amortizes policy inference cost over more actions. However, uniformly applying long horizons across episodes can limit opportunities for precise corrections. To address this limitation, we propose PICES (Perturbation-Informed Chunk and Execution Horizon Selection), a training-free method that jointly selects an action chunk and the number of actions executed before the next policy call. Within a single policy call, the action expert generates a batch of action chunks from multiple initial noise samples and their locally perturbed counterparts, using the same conditioning features across all samples. PICES exploits differences between corresponding actions in each nominal chunk and its counterpart to determine candidate-specific execution horizons and select a nominal chunk for execution. Experiments on simulation benchmarks and real-world manipulation tasks demonstrate that PICES achieves speedup by up to 2.3x in wall-clock policy inference time on Jetson Orin and Thor relative to fixed horizon baselines while improving the success rate.
• Abstract（参考訳）: アクションチャンキング視覚言語アクション(VLA)モデルは、将来のロボットアクションのシーケンスを予測する。 固定水平実行では、ロボットは、ポリシーを呼び出す前に予測された各チャンクの固定長プレフィックスを実行し、残りの予測は未使用のまま残す。 与えられた実行されたアクションの数に対して、短い実行地平線はより多くのポリシー呼び出しを必要とします。 実行地平線の拡張は、より多くのアクションよりもポリシー推論コストを減らします。 しかし、エピソード全体にわたる長い地平線を均一に適用することは、正確な修正の機会を制限することができる。 この制限に対処するために、次のポリシーコールの前に実行されるアクションチャンクとアクションの数とを協調的に選択するトレーニング不要なPICES(Perturbation-Informed Chunk and Execution Horizon Selection)を提案する。 単一のポリシコール内で、アクションエキスパートは、複数の初期ノイズサンプルと、その局所的な摂動したサンプルから、すべてのサンプルに対して同じ条件付け機能を使用して、アクションチャンクのバッチを生成する。 PICESは、各チャンクと対応するチャンク内の対応するアクションの違いを利用して、候補固有の実行地平線を決定し、実行のための名目チャンクを選択する。 シミュレーションベンチマークと実世界の操作タスクの実験により、PICESは成功率を改善しつつ、Jetson OrinとThorの固定地平線ベースラインに対するウォールクロックポリシー推定時間において最大2.3倍のスピードアップを達成することを示した。

関連論文リスト

• Commit While Futures Agree: Consequence-Aware Adaptive Action Chunking for Robot Manipulation [25.084703288229203]
  アクションチャンキングポリシは、マルチステップ制御シーケンスを予測しますが、再計画する前に、予測されるアクションチャンクのどのくらいをコミットすべきなのでしょうか? 本稿では、予測時フレームワークであるConsequence-Aware Adaptive Action Chunking (CA$3$C)を提案する。
  論文  参考訳（メタデータ） (2026-10-06T08:23:04Z)
• Don't Throw Away the Tail: Action Upcycling for Policy Acceleration [43.910503270915825]
  Action Upcyclingはトレーニング不要のアルゴリズムで、ポリシーが破棄されるアクションを再利用する。 政策コールを1.2-1.7倍に減らし、成功率を損なわない。 それは無視できるコストで、どんな政策にも当てはまる。
  論文  参考訳（メタデータ） (2026-09-28T11:13:18Z)
• Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? [78.81308700607651]
  アクションチャンキングは単一のアクションではなく、複数のアクションを予測し、実行する。 非マルコフ表現率の増大と、マルコフポリシーと比較して複合誤差の低減による作用チャンキングの利点が示された。 本稿では,アンサンブルを明示的にインスタンス化することで,アクションチャンキングのメリットを増幅するポリシークラスを提案する。
  論文  参考訳（メタデータ） (2026-08-03T17:32:45Z)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• Dynamic Execution Horizon Prediction for Chunk-based Robot Policies [29.482987292744568]
  アクションチャンキングは、ポリシーが一連のアクションを予測し、一度にひとつのステップを実行するのではなく、一定数のアクションを実行する、現代のロボットポリシーの標準設計となっている。 実際には、実行の地平線は通常経験的なチューニングによって選ばれ、タスク依存度が高い。 オンライン強化学習を用いて,軽量な実行-水平予測分岐を訓練する有効な手法である動的実行-水平予測(DEHP)を提案する。
  論文  参考訳（メタデータ） (2026-06-09T19:58:31Z)
• PACE: Phase-Aware Chunk Execution for Robot Policies with Action Chunking [37.9894332388921]
  PACEは、予測チャンク自身からオンラインで実行地平線を選択する、トレーニング不要なテスト時間実行方法である。 PACEは予測されたアクションチャンクのみを使用するため、プラグアンドプレイであり、ポリシー内部への再トレーニングやアクセスは不要である。 我々はシミュレーションと実ロボット設定の両方で大規模な評価によってPACEを検証する。
  論文  参考訳（メタデータ） (2026-05-30T05:11:06Z)
• Decoupled Q-Chunking [63.864222078287575]
  チャンクされた批評家は、個々のアクションではなく、短いアクションシーケンス("チャンク")の価値を見積もって、価値のバックアップをスピードアップします。 私たちの重要な洞察は、批判者のチャンクの長さをポリシーのチャンクの長さから切り離すことで、ポリシーがより短いアクションチャンクを乗り越えることを可能にすることです。 この設計は、オープンループのサブ最適化と長いアクションチャンクに対するアクションチャンクポリシーの学習の難しさを両立させながら、マルチステップ値伝搬の利点を保っている。
  論文  参考訳（メタデータ） (2025-12-11T18:52:51Z)

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。