論文の概要: VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse

• arxiv url: http://arxiv.org/abs/2610.25043v2
• Date: Tue, 20 Oct 2026 06:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.283771
• Title: VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse
• Title（参考訳）: VLAローリング: 少ないデノイングステップ、適応的アクション再利用による制御の改善
• Abstract要約: フローマッチング型視覚言語アクション(VLA)モデルは、ガウス雑音を反復的に denoising することによってアクションチャンクを生成する。 この脱落した尾部は、移動可能な脱臭の進行を保っていることを示す。 VLA-Rollingはアクションテール継承、アクション毎の信頼度推定、信頼誘導改善の3段階を通じてアクションテールを再利用するフレームワークである。
• 参考スコア（独自算出の注目度）: 41.58435809292886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-matching vision-language-action (VLA) models generate an action chunk by iteratively denoising Gaussian noise, but typically execute only a short prefix before replanning with updated observations. Under this receding-horizon paradigm, the unexecuted remainder---the action tail---is discarded, and the next chunk is regenerated from fresh noise. We show that this discarded tail retains transferable denoising progress: action-tail initialization can match or outperform a native 10-step Gaussian baseline using fewer denoising steps. However, the optimal denoising budget varies substantially across samples, indicating that tail reuse should be adapted to the updated environment. Based on this observation, we introduce VLA-Rolling, a lightweight inference framework that reuses action tails through three stages: action-tail inheritance, per-action confidence estimation, and confidence-guided refinement through renoising and denoising budget allocation, while the underlying VLA remains frozen. Across $π_{0.5}$, SmolVLA, X-VLA, and MolmoAct2 on LIBERO, MetaWorld, LIBERO-Plus, and RoboTwin 2.0, VLA-Rolling reduces action-chunk inference cost in all 16 model--benchmark pairs, achieving up to a $1.48\times$ speedup, while improving success rate in 14 pairs by up to $15.08$ percentage points. These results show that action tails are not merely discarded predictions, but reusable intermediate states that enable more efficient and accurate VLA inference. These results demonstrate that the action tail can support the generation of better actions with fewer denoising steps. Our project is available at https://chenbao123ww.github.io/VLA-Rolling/.
• Abstract（参考訳）: フローマッチング視覚言語アクション(VLA)モデルは、ガウスノイズを反復的に認知することでアクションチャンクを生成するが、通常は更新された観察で再計画する前に短いプレフィックスのみを実行する。 この後退-水平パラダイムの下では、実行されない残余 - アクションテール- は破棄され、次のチャンクは新鮮なノイズから再生される。 アクションテールの初期化は、より少ないデノナイジングステップを用いて、ネイティブな10ステップのガウスベースラインにマッチまたは優れる可能性がある。 しかし, 最適デノナイジング予算はサンプルによって大きく異なり, 尾部再使用は更新環境に適応することが示唆された。 本稿では, アクションテール継承, アクション単位の信頼度推定, 信頼誘導改善の3段階を通じてアクションテールを再利用する軽量推論フレームワークであるVLA-Rollingを紹介し, 基礎となるVLAは凍結したままである。 LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0上のSmolVLA、X-VLA、MomoAct2の合計$π_{0.5}$、SmolVLA、X-VLA、MomoAct2では、VLA-Rollingは16のモデル-ベンチマークペアすべてにおいてアクション・チャンク推論コストを削減し、最大で1.48\times$ speedupを実現し、14対の成功率を最大15.08ドルまで改善している。 これらの結果は、アクションテールは単に捨てられた予測ではなく、より効率的で正確なVLA推論を可能にする再利用可能な中間状態であることを示している。 これらの結果は、アクションテールがより優れたアクションの生成を支援することができることを示す。 私たちのプロジェクトはhttps://chenbao123ww.github.io/VLA-Rolling/で公開されています。

関連論文リスト

• Rolling-WAM: World Action Models with Rolling Imagination [27.177559973332958]
  転がり-WAMは連続した計画サイクルに関節脱神経を分散させる定式化である。 標準のWAMよりも4.5倍の定常的な再計画速度を提供する。 LIBERO、RoboTwin、および実際のUnitree G1ヒューマノイドの評価は、Rolling-WAMが競合操作性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-09-24T17:58:03Z)
• CereVLA: Cerebellum-Inspired Consequence-Aware Residual Governance for Efficient Vision-Language-Action Execution [53.635273213001796]
  アクションチャンクされた視覚言語アクション(VLA)ポリシーは推論効率を改善するが、コミットされたアクションチャンク内の限られたフィードバックは、実行エラーの蓄積につながる。 本稿では,軽量残効改善と予測結果評価を冷凍VLA実行に統合した統合フレームワークであるCereVLAについて述べる。
  論文  参考訳（メタデータ） (2026-09-23T07:30:58Z)
• SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies [26.372187124257362]
  固定長アクションチャンクを実行するVLA(Vision-Language-Action)ポリシーは、マルチモーダル分岐を示す。 フローマッチングVLAのトレーニング不要な推論時間であるSEAM(Smooth Execution of Action-Chunked Motion)を提案する。 pi_0.5のLIBERO-10では、SEAMは境界ジャークを28%減らし、チャンク遷移の不連続を27%減らし、ベースラインレベルのタスク成功を保ち、無誘導ベースライン付近でデノジングループコストを抑える。
  論文  参考訳（メタデータ） (2026-07-06T02:32:10Z)
• 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)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)

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。