Fugu-MT 論文翻訳(概要): Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing

論文の概要: Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing

arxiv url: http://arxiv.org/abs/2610.24590v1
Date: Sat, 17 Oct 2026 09:53:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-22 17:31:14.632922
Title: Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing
Title（参考訳）: シーン適応型VLA:動的層ルーティングによる効率的な自律運転
Abstract要約: Vision-Language-Action(VLA)モデルは、自動運転に有望なパラダイムを提供する。効率的なVLA駆動に関する最近の研究は、逐次適応に焦点を当てている。動的層ルーティングを利用したリアルタイムシーンに基づくアクティブパラメータの調整に有効なフレームワークであるScene-Adaptive VLAを提案する。
参考スコア（独自算出の注目度）: 17.183696041142003
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision-Language-Action (VLA) models offer a promising paradigm for autonomous driving. However, the massive parameter scale of VLAs strains onboard computational resources during real-time inference. This directly increases energy consumption and limits vehicle battery range, making it critical to minimize computational overhead without compromising driving capability and explainability. Current research on efficient VLA-based driving focuses on sequential adaptation (\textit{e.g.}, Chain-of-Thought and token adjustment), leaving structural adaptation underexplored despite parameter redundancy across dynamic driving scenes. To address this gap, we propose Scene-Adaptive VLA, an efficient framework leveraging dynamic layer routing to adjust active parameters based on real-time scenes. Inspired by the temporal continuity of scenes and model predictive uncertainty, our approach characterizes model-perceived scene complexity via frame-level temporal scene variations and decision deviations. To uncover latent scene-to-parameter correspondences, we encode this characterization into scene-aware tokens, alongside two specialized queries. A budget-conditioned layer routing mechanism evaluates these refined queries to allocate a budget that determines the active parameter ratio and subsequently selects appropriate layer combinations. The entire framework is optimized end-to-end. Extensive evaluations on the Bench2Drive benchmark show that when adapted to a state-of-the-art VLA model, our approach significantly reduces inference-time computational overhead by 53.5\% with negligible degradation in driving and language capabilities. Code is available at https:github.com/yang-luvu/Scene-Adaptive-VLA.
Abstract（参考訳）: Vision-Language-Action(VLA)モデルは、自動運転に有望なパラダイムを提供する。しかし、VLAの大規模パラメータスケールは、リアルタイム推論中に計算資源に歪む。これにより、エネルギー消費が直接増加し、車両のバッテリ範囲が制限されるため、運転能力と説明責任を損なうことなく、計算オーバーヘッドを最小限に抑えることが重要となる。効率的なVLAベースの駆動に関する最近の研究は、逐次適応(\textit{e g }、Chain-of-Thought、トークン調整)に焦点を当てており、動的駆動シーンにまたがるパラメータ冗長性にもかかわらず、構造的適応は未探索のままである。このギャップに対処するために、動的層ルーティングを利用してリアルタイムのシーンに基づいてアクティブパラメータを調整する効率的なフレームワークであるScene-Adaptive VLAを提案する。本研究では,シーンの時間的連続性とモデル予測の不確実性に着想を得て,フレームレベルの時間的シーン変動と決定偏差によるモデル知覚シーンの複雑さを特徴付ける。この特徴を,2つの特殊なクエリとともに,シーン認識トークンにエンコードする。予算条件付き層ルーティング機構は、これらの洗練されたクエリを評価し、アクティブパラメータ比を決定する予算を割り当て、その後適切な層の組み合わせを選択する。フレームワーク全体がエンドツーエンドに最適化されている。 Bench2Driveベンチマークの大規模な評価は、最先端のVLAモデルに適応すると、運転能力や言語能力の劣化を無視して、推論時間計算オーバーヘッドを53.5\%削減できることを示している。コードはhttps:github.com/yang-luvu/Scene-Adaptive-VLAで公開されている。

関連論文リスト

PhaseLoRA: Control-Regime-Conditioned Low-Rank Adaptation for Continuous-Action Vision-Language-Action Policies [74.07190331264488]
本稿では,アクションチャンク予測ステップ毎に条件適応を行う軽量なLoRAパラメータ化を提案する。 PhaseLoRAはアクションエキスパートのLoRA左ファクタを変調し、有効な低ランク更新方向を時間とともに変更する。その結果、連続的なVLAポリシーのための効果的な軽量PEFT軸として、軌道内コンディショニングが確立された。
論文参考訳（メタデータ） (2026-08-15T15:32:08Z)
CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
論文参考訳（メタデータ） (2026-06-04T14:32:10Z)
CLAP: Contrastive Latent-space Prompt Optimization for End-to-end Autonomous Driving [12.890001628695215]
CLAPは,ロードブロックごとのソフトプロンプトで凍結したVLA駆動モデルを拡張した位置認識適応フレームワークである。様々な最先端のVLAバックボーンを持つNAVSIMベンチマークでは、CLAPは通常のフレームに回帰することなく、困難なシナリオ計画エラーを24%削減する。
論文参考訳（メタデータ） (2026-05-17T06:45:53Z)
VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model [54.35791816657227]
適応型テスト時間計算でVLAモデルを実現するフレームワークである textbfVLA-ATTC' を導入する。 VLA-ATTCは、不確実性に基づく認知クラッチ'を用いて、反射的実行からTTC熟考フェーズへ動的に移行する。 LIBERO-LONGベンチマークでは、VLA-ATTCはSOTAモデルPI0.5の故障率を50%以上削減する。
論文参考訳（メタデータ） (2026-05-02T02:13:11Z)
ETA-VLA: Efficient Token Adaptation via Temporal Fusion and Intra-LLM Sparsification for Vision-Language-Action Models [14.841746872486333]
本稿では,VLAモデルの効率的なToken AdaptationフレームワークであるETA-VLAを提案する。 ETA-VLAは最先端のベースラインに匹敵する運転性能が得られることを示す。提案手法は, 85%の視覚トークンを抽出し, FLOPを61%削減するが, NAVSIM v2ベンチマークでは元の精度の94%を維持している。
論文参考訳（メタデータ） (2026-03-26T06:53:42Z)
CarPLAN: Context-Adaptive and Robust Planning with Dynamic Scene Awareness for Autonomous Driving [24.617191209246226]
CarPLANは、駆動コンテキスト理解を明示的に強化する新しいILベースのモーションプランニングフレームワークである。変位認識予測一般化(DPE)はモデルの空間認識を改善する。 CMD(Context-adaptive Multi-Expert Decoder)は、さまざまな駆動コンテキストを扱うモデルの能力を改善する。
論文参考訳（メタデータ） (2026-03-13T03:22:32Z)
AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。 AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
論文参考訳（メタデータ） (2026-01-27T14:10:39Z)
SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
論文参考訳（メタデータ） (2025-06-15T05:04:17Z)
Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-12-28T14:23:58Z)
DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文参考訳（メタデータ） (2024-09-15T15:55:24Z)

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。