論文の概要: Scaling VLA Serving Under Robotic Execution Constraints
- arxiv url: http://arxiv.org/abs/2611.14969v1
- Date: Wed, 11 Nov 2026 03:28:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.997871
- Title: Scaling VLA Serving Under Robotic Execution Constraints
- Title(参考訳): ロボット実行制約下でのVLAのスケーリング
- Abstract要約: ビジョンアクション(VLA)モデルは、汎用ロボット操作のための有望なパラダイムとして登場した。
本稿では,大規模ロボット展開における推論インフラコストの低減を目的とした,量産型VLAサービスシステムであるXInferを紹介する。
- 参考スコア(独自算出の注目度): 14.97230354593867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models have emerged as a promising paradigm for general-purpose robotic manipulation. In our production setting, hundreds of VLA-powered robots are already operating in real-world environments, creating an immediate need for efficient fleet serving. We present XInfer, a production-deployed VLA serving system designed to reduce the inference infrastructure cost of large-scale robotic deployments. XInfer jointly coordinates heterogeneous VLA computation with the evolving response requirements of robotic execution. By exploiting computational parallelism while managing interference, XInfer improves GPU efficiency while protecting time-critical robotic feedback. We evaluate XInfer across three VLA models using production-derived workloads, achieving 1.26-3.75 times the effective robot capacity (ERC) of state-of-the-art systems under physical-execution constraints. Our implementation is publicly available at https://github.com/X-Square-Robot/xinfer.
- Abstract(参考訳): 視覚言語アクション(VLA)モデルは、汎用ロボット操作のための有望なパラダイムとして登場した。
私たちのプロダクション環境では、何百ものVLA駆動ロボットが既に現実の環境で動作しており、効率的な艦隊配備の即時需要を生み出している。
本稿では,大規模ロボット展開における推論インフラコストの低減を目的とした,量産型VLAサービスシステムであるXInferを紹介する。
XInferは不均一なVLA計算とロボット実行の応答要求を協調的に調整する。
干渉を管理しながら計算並列性を活用することで、XInferは、時間クリティカルなロボットフィードバックを保護しながら、GPU効率を改善する。
実運用負荷を用いた3つのVLAモデルを対象としたXInferの評価を行い,実運用制約下での最先端システムの実効ロボット容量(ERC)の1.26-3.75倍の精度で評価した。
私たちの実装はhttps://github.com/X-Square-Robot/xinfer.comで公開されています。
関連論文リスト
- Beyond LLM Serving: Characterizing Vision-Language-Action Workloads for Embodied AI System Design [2.5058052036318537]
視覚言語アクション(VLA)モデルは、マルチモーダルな観察を低レベルのロボットアクションに変換する。
エッジGPUサーバに4つの代表的なVLAモデルと2つのSOCを特徴付ける。
結果は、VLAモデルアーキテクチャ、ハードウェア、ランタイムポリシーの共同設計をガイドする。
論文 参考訳(メタデータ) (2026-10-04T09:05:46Z) - DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication [24.566804836315907]
DuoMindは、セマンティックコミュニケーションによるマルチロボット協調のための分散階層フレームワークである。
各ロボットは、低レベルの実行にVLAベースのアクションモデルを使用し、高レベルの推論とエージェント間の調整にVLMベースのオーケストレータを使用する。
論文 参考訳(メタデータ) (2026-10-01T17:53:09Z) - Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing [59.15715295478112]
視覚言語アクション(VLA)ポリシーは、ロボットが実行した動作が命令された動作から逸脱した場合にしばしば失敗する。
本稿では,VLAポリシーがロボットの実行エラーを事前に補償できるデプロイ時適応手法である自己補償型VLAを提案する。
論文 参考訳(メタデータ) (2026-09-29T12:08:13Z) - LoLA: Long Horizon Latent Action Learning for General Robot Manipulation [38.209790870296835]
Long Horizon Latent Action Learning (LoLA)は、ロボット操作用に設計されたフレームワークである。
まず視覚言語モデルを用いて、歴史的シーケンスと多視点観測からリッチな文脈特徴を符号化する。
次に、視覚入力と言語コマンドを動作可能なロボットモーション空間に変換するステートアウェアラテント表現を導入する。
論文 参考訳(メタデータ) (2025-12-23T08:45:24Z) - MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。
MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文 参考訳(メタデータ) (2025-12-17T12:59:41Z) - Towards Accessible Physical AI: LoRA-Based Fine-Tuning of VLA Models for Real-World Robot Control [0.0]
本稿では,VLAモデルを低コストなロボット操作システムに適用するための,効率的な微調整手法と実世界の展開分析について述べる。
本稿では,LoRA(Lo-Rank Adaptation)と量子化技術を用いた資源効率の高い微調整手法を提案する。
本手法は,事前学習したVLAモデルを,限られた実演データを持つ新しいロボット体に適応させる上で重要な課題に対処する。
論文 参考訳(メタデータ) (2025-12-11T16:25:30Z) - FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。
FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
論文 参考訳(メタデータ) (2025-01-16T18:57:04Z) - Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。
視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。
ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
論文 参考訳(メタデータ) (2024-07-11T17:31:01Z)
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。