論文の概要: Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs

• arxiv url: http://arxiv.org/abs/2611.02076v1
• Date: Sun, 01 Nov 2026 17:30:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:08:04.856752
• Title: Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs
• Title（参考訳）: 拡散駆動VLAにおけるシーン適応読み出しと復号化
• Abstract要約: ネットワーク深度と復号化の進展をトラジェクトリ・リードアウトで解析する。 本稿では,シーン適応型読み出し・復号化フレームワークを提案する。 提案手法は, RFS を最大 0.56 改善し, 試験性能も向上する。
• 参考スコア（独自算出の注目度）: 30.198108212779186
• License:
• Abstract: Diffusion driving vision-language-action models repeatedly execute the backbone at every denoising stage, incurring substantial inference cost, while it remains unclear whether all scenes require the same decoding computation. To distinguish when a trajectory becomes readable from how much further refinement it requires, we analyze trajectory readout across network depth and decoding progress. We identify a depth-decoding dissociation in which late-layer representations already support useful trajectory readout after the first forward sweep, whereas early-layer representations benefit more from continued decoding. We further find that both the preferred readout layer and decoding depth vary across scenes. Based on these observations, we propose a scene-adaptive readout and decoding framework. A scene-conditioned readout MoE adaptively weights and combines trajectory predictions from layer-specific late-layer representations after a single backbone sweep, while an adaptive decoding policy applies additional native refinement only when required by the scene. We evaluate our framework on two diffusion driving VLAs across the Waymo E2E and nuScenes benchmarks. Our method improves validation RFS by up to 0.56 while also improving test performance, and achieves an end-to-end speedup of up to $6.0\times$ on Waymo E2E, while consistently reducing trajectory error on nuScenes. These results demonstrate that scene-level readout and decoding allocation improves planning quality while avoiding unnecessary decoding. Our code is available at https://github.com/sjyu001/SARD
• Abstract（参考訳）: 拡散駆動視覚-言語-アクションモデルでは、各段階でバックボーンを繰り返し実行し、相当な推論コストを発生させるが、すべてのシーンが同じ復号処理を必要とするかどうかは不明である。 トラジェクトリの読みやすさと改善の度合いを区別するために、トラジェクトリの読み出しをネットワーク深度にわたって分析し、進行を復号する。 初期層表現は継続復号化の恩恵を受ける一方,後層表現は第1次スイープ後に有用な軌道読み出しをすでにサポートしている深層デコード解離を同定する。 さらに、好みの読み出し層とデコード深度がシーンによって異なることもわかりました。 これらの観測に基づき,シーン適応型読み出し・復号化フレームワークを提案する。 シーン条件の読み出しMoEは、単一のバックボーンスイープ後に層固有の後期層表現からの軌道予測を適応的に重み付け、結合する。 Waymo E2EとnuScenesベンチマークにおける2つの拡散駆動VLAに関するフレームワークの評価を行った。 提案手法は,試験性能も向上しつつ,検証RFSを最大0.56改善し,Waymo E2Eで最大6.0\times$のエンドツーエンド高速化を実現し,nuScenesでの軌道誤差を一貫して低減する。 これらの結果から,シーンレベルの読み出しと復号化は不要な復号化を回避しつつ,計画品質を向上させることが示された。 私たちのコードはhttps://github.com/sjyu001/SARDで利用可能です。

関連論文リスト

• Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference [19.683948028719808]
  VLA(Vision-Language-Action)モデルは、ロボット操作の強力な一般化を示すが、その高い推論遅延はリアルタイムデプロイメントを制限する。 本稿では,知覚と行動生成の両面での計算量を削減するシステムレベル加速戦略を提案する。 Libero、RobotWin、Real Robot Platformsの実験では、ハイパフォーマンスを維持しながら、2倍以上のスピードアップを実証している。
  論文  参考訳（メタデータ） (2026-07-14T02:48:31Z)
• Diffusion Language Models Know the Answer Before Decoding [56.96815863705218]
  拡散言語モデル (DLM) は自己回帰的アプローチの代替として登場した。 我々の研究は、DLMの早期回答収束の見過ごされた特性を強調し、活用する。 Prophetは、早期コミット復号を可能にするトレーニングフリーの高速復号化パラダイムである。
  論文  参考訳（メタデータ） (2025-08-27T15:40:25Z)
• VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models [57.2662376527586]
  VScanは2段階のビジュアルトークン削減フレームワークである。 1)グローバルスキャンとローカルスキャンを視覚的エンコーディング中にマージすることで,(2)言語モデルの中間層にプルーニングを導入する。 VScanはプリフィルの2.91$times$スピードアップとFLOPの10$times$ダウンを実現し、オリジナルのパフォーマンスの95.4%を維持した。
  論文  参考訳（メタデータ） (2025-05-28T17:59:08Z)
• LayerSkip: Enabling Early Exit Inference and Self-Speculative Decoding [13.747101397628887]
  大規模言語モデル(LLM)の高速化のためのエンドツーエンドのソリューションを提案する。 また,すべての変圧器層が同じ出口を共有できる早期の出口損失を,早期の層で低落率,後期の層で高落率,早期の出口損失に適用した。 このトレーニングレシピは、モデルに補助的なレイヤやモジュールを追加することなく、初期のレイヤでの早期退避の精度を高めることを示す。
  論文  参考訳（メタデータ） (2024-04-25T16:20:23Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• TVTSv2: Learning Out-of-the-box Spatiotemporal Visual Representations at Scale [59.01246141215051]
  言語指導の観点から,その劣化要因を分析した。 本稿では,テキストエンコーダの一般化能力を維持するために,教師なし事前学習戦略を提案する。 最大10億のパラメータを持つTVTSv2と呼ばれる一連のモデルを作成します。
  論文  参考訳（メタデータ） (2023-05-23T15:44:56Z)

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。