論文の概要: Decoupled Asynchronous System for Humanoids (DASH): Latency-Agnostic Scaling of Vision-Language-Action Models for Humanoid Manipulation
- arxiv url: http://arxiv.org/abs/2611.11854v2
- Date: Thu, 12 Nov 2026 07:42:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.879159
- Title: Decoupled Asynchronous System for Humanoids (DASH): Latency-Agnostic Scaling of Vision-Language-Action Models for Humanoid Manipulation
- Title(参考訳): Decoupled Asynchronous System for Humanoids: Latency-Agnostic Scaling of Vision-Language-Action Models for Humanoid Manipulation
- Abstract要約: 本稿では,ヒューマノイドのための非結合非同期システムDASHについて述べる。
DASHはポリシーをスロービジョン言語モデルと高速フローマッチングアクションヘッドに分割する。
実のヒューマノイドでは、DASHは同期パイプラインよりも明らかに高いピック・アンド・プレイス成功を達成する。
- 参考スコア(独自算出の注目度): 6.044407654330413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language-action (VLA) models pair a vision-language backbone with an action head, but in closed-loop control the backbone sits on the control-critical path: while it computes, the robot keeps moving, so each executed action is conditioned on an increasingly stale observation. A larger backbone therefore directly blocks reactivity, especially in humanoid dexterous manipulation. We present DASH, a Decoupled Asynchronous System for Humanoids that removes this coupling. DASH splits the policy into a slow vision-language model (System 2) and a fast flow-matching action head (System 1) that run as concurrent processes over the LCM communication protocol, so the control rate is set by the action head alone, independent of backbone size. The action head fuses stale semantics from a frozen backbone with fresh vision from its own ResNet encoder, desynchronized training exposes it to the staleness it meets at deployment, and an adaptive temporal aggregator aligns overlapping action chunks under variable inference latency. On an asynchronous RoboTwin benchmark that charges inference latency in simulated time, DASH holds 20 Hz control rate from 0.8B to 8B backbones while the synchronous rate falls from 9.7 to 4.1 Hz, with higher success at every size. On a real humanoid with dexterous hands, DASH achieves clearly higher pick-and-place success than the synchronous pipeline.
- Abstract(参考訳): 視覚言語アクション(VLA)モデルは、視覚言語で書かれたバックボーンとアクションヘッドをペアリングするが、クローズドループ制御では、バックボーンは制御クリティカルな経路に置かれる。
したがって、大きなバックボーンは、特にヒューマノイドのデキスタラスな操作において、直接的に反応性を阻害する。
本稿では,この結合を除去する非結合型ヒューマノイド非同期システムDASHを提案する。
DASHは、このポリシーをスロービジョン言語モデル(System 2)と、LCM通信プロトコル上で並列プロセスとして動作する高速フローマッチングアクションヘッド(System 1)に分割する。
アクションヘッドは、自身のResNetエンコーダからの新鮮なビジョンで、凍ったバックボーンから古いセマンティクスを融合し、デ同期されたトレーニングは、デプロイ時に満たされる不安定さにそれを公開し、適応的な時間アグリゲータは、重複するアクションチャンクを可変推論レイテンシの下で調整する。
シミュレーション時間に推論遅延を課金する非同期のRoboTwinベンチマークでは、DASHは0.8Bから8Bのバックボーンに20Hzの制御速度を持ち、同期レートは9.7から4.1Hzに低下する。
実のヒューマノイドでは、DASHは同期パイプラインよりも明らかに高いピック・アンド・プレイス成功を達成する。
関連論文リスト
- Concertina: Embodying Manipulation and Cognition in One Diffusion Vision-Language Model [50.555143044092496]
ほとんどの視覚言語アクション(VLA)ポリシーは、視覚言語モデル(VLM)に外部アクション機構をボルトすることで、操作を認知から切り離す。
我々は、操作と認知は代わりに同じモデルに具体化されるべきであり、分離されたVLAから身体的視覚ランゲージモデル(eVLM)へ移行する。
共有拡散VLMバックボーンの計算とパラメータパスに直接、連続的な軌道表現、ブロックワイズ生成、物理座標制御を配置するeVLMであるConsoleinaを導入する。
論文 参考訳(メタデータ) (2026-11-05T06:20:37Z) - Asynchronous Robot Policies [57.278726604424556]
非同期ロボットポリシー(ARP)は、低レベルのアクション生成からセマンティック推論を分離するアーキテクチャフレームワークである。
ARPは成功率が18%高く、準静的なセットアップの実行に要する時間も20%削減される。
論文 参考訳(メタデータ) (2026-11-03T16:30:27Z) - Same Path, Less Time: Training-Free Fast Execution of Vision-Language-Action Models under Inference Latency [0.0]
1つの原則に基づいて構築されたフリーアクションチャンキングポリシーのためのトレーニングフリー実行層を提案する。
時間層は、計画されたインクリメントを合計し、グリップが動きながらアームを1倍に保ち、アクチュエータの線形範囲で速度を抑える。
ミスアライメントされたエントリーとサンプリングは継続エラーにバイアスとばらつきを生じさせ、スピードアップが報われると、成功率を損なうことを示す。
論文 参考訳(メタデータ) (2026-11-01T00:53:26Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳(メタデータ) (2026-08-26T17:33:19Z) - FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。
トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。
我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
論文 参考訳(メタデータ) (2026-07-31T10:11:09Z) - Action ControlNet: A Lightweight Delay-Aware Adapter for Smooth Asynchronous Control in Vision-Language-Action Models [2.1822977353368778]
Action ControlNet (ACNet) は、視覚言語-アクションモデルのための軽量遅延対応アダプタである。
ACNetは推論遅延下で堅牢性を改善し、直接チャンクストレよりもスムーズな非同期軌道を得る。
論文 参考訳(メタデータ) (2026-06-24T15:53:43Z) - DAM-VLA: Decoupled Asynchronous Multimodal Vision Language Action model [6.247270890079242]
ビジョン言語アクション(VLA)モデルは、視覚言語事前学習から共有同期クロックを継承し、全ての入力を1レートで処理する。
同期VLAは遅いモダリティをオーバーサンプリングし、高速なモダリティをアンサンプし、最低有効周波数でアクション生成をカプセル化する。
DAM-VLAは,センサレートでリフレッシュされたモードごとの潜伏バッファを保持し,アクションヘッドで連続して読み取る。
論文 参考訳(メタデータ) (2026-06-10T13:59:07Z) - DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。
DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
論文 参考訳(メタデータ) (2026-04-27T23:04:03Z) - AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。
リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。
AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
論文 参考訳(メタデータ) (2026-02-13T21:31:19Z) - VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference [24.248289541718275]
非同期推論は、連続および低レイテンシ制御を実現するための有望なソリューションを提供する。
本稿では,ビジョン・ランゲージ・アクションモデルのための一般的な非同期推論フレームワークであるVLASHを提案する。
追加のオーバーヘッドやアーキテクチャの変更なしに、スムーズで、正確で、高速な反応制御を提供する。
論文 参考訳(メタデータ) (2025-11-30T18:59:24Z)
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。