論文の概要: PaceVLA: Adaptive Temporal Action Quantization in Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.25961v1
• Date: Mon, 19 Oct 2026 07:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.042515
• Title: PaceVLA: Adaptive Temporal Action Quantization in Vision-Language-Action Models
• Title（参考訳）: PaceVLA:視覚・言語・行動モデルにおける適応的時間的行動量子化
• Abstract要約: 本稿では,VLAモデルにおける適応時間実行のための統一的なフレームワークを提案する。 PaceVLAは、共有アクションエキスパート上に構築されたモード固有のアクションデコーダを統合し、複数の時間的粒度と予測水平線をサポートする。 実験により、PaceVLAは複数の実施形態でタスク成功率を維持しながら実行効率を向上させることが示された。
• 参考スコア（独自算出の注目度）: 40.969112268918565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast and reliable manipulation is crucial for practical robot deployment. Although Vision-Language-Action (VLA) models have recently shown remarkable progress as generalist robot policies, their execution often remains temporally inefficient. A key source of this inefficiency is that policies learn fine-grained temporal patterns from teleoperated demonstrations, requiring many low-level action steps. Temporal action quantization offers a simple way to accelerate execution by aggregating consecutive low-level actions into temporally coarser actions. However, applying action quantization without considering when fine-grained control is required introduces a speed-accuracy trade-off: accelerated actions may efficiently reduce redundant steps in some phases, while discarding critical motion details in precision-sensitive interactions. To address this, we propose PaceVLA, a unified framework for adaptive temporal execution in VLAs that integrates two coupled components: (1) mode-specific action decoders built on a shared action expert, supporting multiple temporal granularities and prediction horizons, and (2) a quantizability-guided mode selection scheme which decides whether coarse execution is appropriate, and a context-conditioned router that selects an execution mode at each inference step. Experiments across three multi-task simulation benchmarks and six real-world tasks show that PaceVLA improves execution efficiency while maintaining task success rate across multiple embodiments, including long-horizon and dexterous manipulation.
• Abstract（参考訳）: 高速で信頼性の高い操作は、実用的なロボットの配備に不可欠である。 VLA(Vision-Language-Action)モデルは最近、ジェネラリストロボットポリシーとして顕著な進歩を見せているが、その実行はしばしば時間的に非効率である。 この非効率性の鍵となる要因は、ポリシーが遠隔操作されたデモから微粒な時間パターンを学習し、多くの低レベルのアクションステップを必要とすることである。 時間的行動量子化は、連続した低レベルのアクションを時間的に粗いアクションに集約することで実行を加速する簡単な方法を提供する。 しかし、細粒度制御が必要な場合に考慮せずにアクション量子化を適用すると、速度精度のトレードオフが発生する: 加速された動作は、精度に敏感な相互作用において重要な動きの詳細を破棄しながら、いくつかのフェーズにおける冗長なステップを効率的に減少させる。 そこで我々は,VLAにおける適応時間実行のための統合フレームワークPaceVLAを提案する。(1)共有アクションエキスパート上に構築され,複数の時間的粒度と予測水平線をサポートするモード固有動作デコーダ,(2)粗い実行が適切かどうかを判断する量子化可能性誘導モード選択スキームと,各推論ステップで実行モードを選択するコンテキスト条件付きルータである。 3つのマルチタスクシミュレーションベンチマークと6つの実世界のタスクによる実験により、PaceVLAは複数の実施形態におけるタスク成功率を維持しながら実行効率を向上させる。

関連論文リスト

• ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning [6.34168955365431]
  ActionUNetは、Vision-Language-Action(VLA)モデルの効率的なマルチスケール微調整フレームワークである。 我々は,ActionUNetが0.5の成功率を,それぞれ9.8%,6.1%,11.4%で著しく向上させることを示した。
  論文  参考訳（メタデータ） (2026-09-28T11:57:00Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• 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)
• VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots [5.308743386891208]
  VLA(Vision-Language-Action)モデルは、ロボット工学において画期的な進歩を遂げた。 連続したアクションチャンクのキューを融合する戦略は、VLAモデル全体のパフォーマンスに大きな影響を与える。 既存の方法は、ロボットアクションの実行時にジッタ、ストール、あるいは停止に悩まされる。 本稿では,モデル推論とロボット動作制御を非同期に行うように設計された新しいフレームワークであるVLA-RAILを紹介する。
  論文  参考訳（メタデータ） (2025-12-31T06:59:42Z)
• 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)
• BiKC: Keypose-Conditioned Consistency Policy for Bimanual Robotic Manipulation [48.08416841005715]
  両面操作に適したキーポーズ条件の整合性ポリシーを導入する。 階層的な模倣学習フレームワークであり、ハイレベルなキープレース予測器と低レベルな軌道生成器から構成される。 シミュレーションおよび実世界の実験結果から,提案手法は成功率と運用効率の点で基準法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-06-14T14:49:12Z)

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。