論文の概要: Fast-VLA: You Only Think Once for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.21389v1
• Date: Thu, 15 Oct 2026 07:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.243645
• Title: Fast-VLA: You Only Think Once for Robot Manipulation
• Title（参考訳）: Fast-VLA:ロボットの操作は一度しか考えない
• Abstract要約: 我々は,Fast-VLAを導入し,1回に1回フリーズした4B VLMを起動し,命令と初期ビューを固定された多層タスクメモリとしてコンテキスト化する。 実行中、軽量のオンラインアクターは、学習した時間と腕のインデックス付きクエリを、現在の視覚的および受容的なフィードバックと融合してアクションクエリを形成する。 高速VLA 92.46%、92.40%がRoboTwin 2.0のクリーン&ランダム化、95.95%と79.11%がLIBEROとLIBERO-Plusの評価で成功した。
• 参考スコア（独自算出の注目度）: 27.474189717887608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies commonly place a multi-billion-parameter model inside the feedback loop, repeatedly recomputing task context whenever they predict a new action chunk. Yet task understanding changes far more slowly than the robot state. We introduce Fast-VLA, which invokes a frozen 4B VLM once per episode to contextualize the instruction and initial views as fixed, multi-layer key-value task memory. During execution, a lightweight online actor fuses learned time- and arm-indexed queries with current visual and proprioceptive feedback to form action queries. These queries retrieve task context from the fixed memory and predict action chunks without re-running the foundation model. Fast-VLA achieves 92.46% and 92.40% success on RoboTwin 2.0 Clean and Randomized, and 95.95% and 79.11% on LIBERO and LIBERO-Plus evaluation. Against three continually conditioned baselines on the same hardware, it reduces RoboTwin amortized policy inference time by 10.9-17.1x and requires 1.22 GiB of post-prefill online resident memory. Task-memory swaps further show that the actor relies on episode-matched task memory. These results show that task context can be established once while closed-loop control remains responsive throughout execution. Project page: https://garfield-kh.github.io/FastVLA
• Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは、フィードバックループ内にマルチビリオンパラメータモデルを配置し、新しいアクションチャンクを予測するたびにタスクコンテキストを繰り返し再計算する。 しかし、タスク理解はロボットの状態よりもはるかにゆっくりと変化する。 我々は,Fast-VLAを導入し,1回に1回凍結した4B VLMを起動し,命令と初期ビューを固定された複数層鍵値タスクメモリとしてコンテキスト化する。 実行中、軽量のオンラインアクターは、学習した時間と腕のインデックス付きクエリを、現在の視覚的および受容的なフィードバックと融合してアクションクエリを形成する。 これらのクエリは、固定メモリからタスクコンテキストを取得し、ファンデーションモデルを再実行せずにアクションチャンクを予測する。 Fast-VLAはRoboTwin 2.0のクリーン&ランダム化で92.46%、92.40%、LIBEROとLIBERO-Plusの評価で95.95%と79.11%を達成している。 同じハードウェア上の3つの条件付きベースラインに対して、RoboTwinはポリシー推論時間を10.9-17.1x削減し、オンライン常駐メモリの1.22 GiBを必要とする。 タスクメモリスワップは、アクターがエピソードマッチングされたタスクメモリに依存することを示す。 これらの結果から,クローズドループ制御が実行中も応答性を維持したまま,タスクコンテキストが一度確立できることが示唆された。 プロジェクトページ:https://garfield-kh.github.io/FastVLA

関連論文リスト

• EvoMem-VLA: State-Evolution Memory for Long-Horizon Robot Manipulation [27.5832260127858]
  EvoMem-VLAは、歴史的状態間の観測された変化を明示的に符号化し、保持することで、状態進化記憶を構築する。 これらの変更表現は相互作用の結果の証拠を保存し、分離されたスナップショットを超えてタスクの進捗を追跡することができる。
  論文  参考訳（メタデータ） (2026-10-04T17:59:43Z)
• MIKASA-Robo-VLA: Benchmarking Memory in VLA Models for Long-Horizon Manipulation [45.14305118993196]
  MIKASA-Robo-VLAは90の言語条件の操作タスクのベンチマークである。 各タスクは命令を提供するが、メモリ依存タスクはタスク関連キューを隠す。 RLDSとLeRobotDataset v3の10種類のメモリにまたがる22,500のオラクルトラジェクトリをリリースします。
  論文  参考訳（メタデータ） (2026-09-30T19:10:31Z)
• TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation [49.02604313942616]
  VLA(Reactive Vision-Language-action)ポリシーは、長時間の操作においてタスク状態のエイリアスに悩まされる。 本稿では,VLAのネイティブ入力空間に実行コンテキストを注入することでタスク状態を基底とする軽量アダプタTaskAnchorを提案する。 長期のベンチマークではTaskAnchorが大幅に上昇し、pi0.5とX-VLAのベースラインの平均的な成功率の6倍に達する。
  論文  参考訳（メタデータ） (2026-09-20T11:57:10Z)
• StateMem: Single-State Residual Memory with Adaptive Inference for Vision-Language-Action Policies [4.279491410987998]
  StateMemは、視覚言語アクション(VLA)ポリシーのための単一の状態残留メモリフレームワークである。 予測エラーを使用して、低ランクな残差を通じて永続的なメモリトークンを更新し、キャッシュされたプレフィックスを適応的にルーティングする。 LIBERO,RoboMemArena,および実世界の操作タスクのStateMemを評価する。
  論文  参考訳（メタデータ） (2026-09-19T01:29:45Z)
• ICI-VLA: In-Context Imitation with Spatiotemporally Aligned Demonstrations for Vision-Language-Action Models [9.31323513616827]
  ICI-VLA(ICI-VLA)は、テキストアクション型VLMと、インテキストによる実演によるテスト時間適応機能を備えたトレーニング・検索フレームワークである。 ICI-VLAは、オフライントレーニング中のみパラメータを更新する。
  論文  参考訳（メタデータ） (2026-09-07T14:55:35Z)
• EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
  視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。 本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。 共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
  論文  参考訳（メタデータ） (2026-09-01T14:14:47Z)
• Recurrent-Depth VLA: Implicit Test-Time Compute Scaling of Vision-Language-Action Models via Latent Iterative Reasoning [38.78160379823724]
  リカレントディープスVLA(Recurrent-Depth VLA)は、明示的なトークン生成ではなく、遅延反復精製による計算適応性を実現するアーキテクチャである。 RD-VLAは、メモリフットプリントが一定である任意の推論深度をサポートするリカレントで重み付けされたアクションヘッドを使用している。
  論文  参考訳（メタデータ） (2026-02-08T07:21:01Z)
• ContextVLA: Vision-Language-Action Model with Amortized Multi-Frame Context [54.58057019521198]
  時間的コンテキストを活用することは、部分的に観察可能なロボットタスクの成功に不可欠である。 動作のクローン化に関する以前の研究は、複数フレームの観測で不整合のパフォーマンス向上を示した。 マルチフレーム観測を効果的に活用することにより、ロボットタスクのパフォーマンスを堅牢に向上するポリシーモデルであるContextVLAを紹介する。
  論文  参考訳（メタデータ） (2025-10-05T15:29:57Z)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)
• ConStruct-VL: Data-Free Continual Structured VL Concepts Learning [57.86651057895222]
  本稿では,Continuous Data-Free Structured VL Concepts Learning (ConStruct-VL)ベンチマークを紹介する。 本稿では,過去のタスクモデルから過去のタスクの逆リマインダーを生成するAdrial Pseudo-Replay (APR) の新たなアプローチによるデータフリー手法を提案する。 このアプローチは、いくつかのレベルのエクスペリエンス再生に適合しながら、すべてのデータフリーメソッドを最大7%上回ります。
  論文  参考訳（メタデータ） (2022-11-17T18:57:03Z)

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。