論文の概要: VLALagBench: Understanding When and Why VLA Inference Latency Matters
- arxiv url: http://arxiv.org/abs/2611.03103v1
- Date: Mon, 02 Nov 2026 13:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 13:18:30.075934
- Title: VLALagBench: Understanding When and Why VLA Inference Latency Matters
- Title（参考訳）: VLALagBench: VLA推論のレイテンシがいつ、なぜ重要かを理解する
- Abstract要約: 本稿では,タスクタイプ,オブジェクト速度,実行モード(同期および非同期),VLAポリシを対象としたVLA推論遅延感度のベンチマークを紹介する。
100ミリ秒の控えめな推論レイテンシでさえ、タスクやポリシー間で感度が大きく異なり、移動目標に対するタスクの成功をほぼ半分にすることができる。
我々は,限られたキャリブレーションデータからタスク成功を予測し,様々なVLAポリシに対して5.7-7.8%のルート平均二乗予測誤差を達成できる実験モデルを開発した。
- 参考スコア（独自算出の注目度）: 28.436312840793477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models offer a promising path toward general-purpose robot manipulation. While inference latency can affect task success in a constantly evolving physical world, the relationship between latency and task success rate remains poorly understood. In this paper, we introduce VLALagBench, a comprehensive benchmark for studying VLA inference latency sensitivity across task types, object speeds, execution modes (synchronous and asynchronous), and VLA policies. Using VLALagBench, we find that even a modest inference latency of 100 ms can nearly halve task success on moving targets, with sensitivity varying substantially across tasks and policies. These differences reflect task-specific requirements for precision and continuous motion. By overlapping inference with action execution, asynchronous execution can recover some of the lost success at the cost of more frequent inference requests. Building on these findings, we develop an empirical model that predicts task success from limited calibration data, achieving root-mean-square prediction errors of only 5.7-7.8% across various VLA policies. Given an inference system's latency and per-robot throughput, these predictions guide the selection of system-specific VLA algorithm configurations to maximize task success. We believe VLALagBench and these findings provide a solid foundation for future robotics algorithm-system co-design.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、汎用ロボット操作への有望な道を提供する。
推論レイテンシは、常に進化する物理世界でのタスク成功に影響を及ぼすが、レイテンシとタスク成功率の関係は、まだよく分かっていない。
本稿では,VLALagBenchという,タスクタイプ,オブジェクト速度,実行モード(同期および非同期),VLAポリシを対象としたVLA推論遅延感度の総合ベンチマークを紹介する。
VLALagBenchを用いることで、100ミリ秒の控えめな推論レイテンシであっても、移動目標に対するタスク成功をほぼ半分にし、タスクやポリシー間で感度が大きく異なることが分かる。
これらの違いは、精度と連続的な動きに対するタスク固有の要求を反映している。
アクション実行と推論を重複させることで、非同期実行はより頻繁な推論要求を犠牲にして、失われた成功の一部を回復することができる。
これらの結果に基づいて,限られたキャリブレーションデータからタスク成功を予測する実験モデルを構築し,VLAの様々なポリシに対して,ルート平均2乗予測誤差は5.7-7.8%に留まった。
推論システムのレイテンシとロボット毎のスループットを考慮すれば、これらの予測は、タスクの成功を最大化するために、システム固有のVLAアルゴリズム構成の選択を導く。
VLALagBenchとこれらの発見は、未来のロボティクス・アルゴリズム・システムの共同設計の基盤となると信じている。
関連論文リスト
- Is Success All You Need? Investigating the Impact of Input Perturbations on VLA Behaviour in Tabletop Manipulation Tasks [49.09021048464337]
VLA(Vision-Language-Action)モデルは、ロボット操作タスクベンチマークにおいて高いタスク成功率を達成した。
モデルの振る舞いのロバスト性を評価するためのベンチマーク非依存評価フレームワークを提案する。
動作のスムーズさ,効率,グリップ動作の指標を含む,典型的な成功行動とその変動性の変化を評価した。
論文 参考訳（メタデータ） (2026-10-01T09:20:57Z) - Algorithm-Architecture Co-Design for Efficient VLA Inference via Speculative Inference and Verification [24.0529851878964]
VLA(Vision-Language-Action)モデルは、組み込みAIの分野では目覚ましい能力を示しているが、その高い計算コストと予測されるアクション長によって、リアルタイムなデプロイメントが妨げられている。
提案するSpecVLAは,動作長,推論遅延,タスク信頼性を適応的にバランスさせるアルゴリズム・システム協調設計フレームワークである。
論文 参考訳（メタデータ） (2026-08-16T08:59:22Z) - VLA-FAIL: Efficient Task Failure Detection for Finetuned Vision-Language-Action Models [19.137291311347788]
視覚言語アクションモデル(VLA)は、多くのロボットタスクで最先端のパフォーマンスを達成するが、それでも、アウト・オブ・ディストリビューションのシナリオでは予測不可能に振る舞うことができる。
本稿では、2つの新しい障害検出器を最小限のオーバーヘッドで結合するフレームワークであるVLA-FAILを提案する。
論文 参考訳（メタデータ） (2026-06-19T12:51:21Z) - VLAConf: Calibrated Task-Success Confidence for Vision-Language-Action Models [7.329348634749636]
本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのための一級識別信頼フレームワークであるVLAConfを提案する。
凍結事前訓練されたVLA内部表現を利用することで、VLAConfは1回の前方通過でステップワイズ異常スコアを直接推定する。
LIBEROベンチマークの実験により、VLAConfはポストホックキャリブレーションのために構築された信頼信号の品質を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-05-28T08:42:12Z) - 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) - Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。
連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。
複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文 参考訳（メタデータ） (2026-02-04T05:37:09Z) - Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。
我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文 参考訳（メタデータ） (2025-12-02T14:42:54Z) - dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。
単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
論文 参考訳（メタデータ） (2025-09-30T02:36:11Z) - Vision Language Models are In-Context Value Learners [89.29486557646624]
本稿では、視覚言語モデル(VLM)に埋め込まれた世界的知識を活用してタスクの進捗を予測する普遍的価値関数推定器である生成価値学習(GVL)を提案する。
ロボットやタスク固有のトレーニングがなければ、GVLは300以上の異なる現実世界のタスクに対して、ゼロショットと数ショットの効果的な値をインコンテキストで予測することができる。
論文 参考訳（メタデータ） (2024-11-07T09:17:50Z)
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。