論文の概要: What Makes a VLA Reactive? A Study of Execution Strategies for Dynamic Manipulation
- arxiv url: http://arxiv.org/abs/2611.15491v1
- Date: Wed, 11 Nov 2026 13:53:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.159763
- Title: What Makes a VLA Reactive? A Study of Execution Strategies for Dynamic Manipulation
- Title(参考訳): VLAをリアクティブにするものは何か? 動的マニピュレーションのための実行戦略に関する研究
- Abstract要約: 視覚言語アクション(VLA)モデルは、将来のアクションのチャンクを予測し、オブジェクトが移動すると、それらのチャンクは実行される前に停滞する。
2つの動的シミュレーションベンチマークと3つの実ロボットタスクでpihalfを用いて、事前訓練されたVLAを反応させるものについて検討する。
- 参考スコア(独自算出の注目度): 6.280000120743012
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models predict chunks of future actions, and when objects move, those chunks go stale before they are executed. We study what makes a pretrained VLA reactive, using \pihalf{} on two dynamic simulation benchmarks and three real-robot tasks. We vary the prediction and execution horizons, compare synchronous and asynchronous inference, test methods that deliver actions sooner or keep successive chunks continuous, and adapt the policy with motion cues and latent-space reinforcement learning. The best prediction horizon is about one second, and the best execution horizon depends on the checkpoint. Short horizons help more with asynchronous execution, and methods that keep the trajectory continuous outperform those that only reduce latency. Adapting the policy repairs targeted failures, but on the conveyor task changing the execution horizon gained as much. Reactivity depends on the execution pipeline as much as on the policy, so both should be evaluated together.
- Abstract(参考訳): 視覚言語アクション(VLA)モデルは、将来のアクションのチャンクを予測し、オブジェクトが移動すると、それらのチャンクは実行される前に停滞する。
本稿では,2つの動的シミュレーションベンチマークと3つの実ロボットタスクに対して,<pihalf{}>を用いた事前学習VLAの反応性について検討する。
我々は、予測と実行の地平線を変え、同期と非同期の推論を比較し、アクションをより早く提供したり、連続的なチャンクを継続的に維持するテスト方法を検証し、モーションキューと潜時空間強化学習でポリシーを適応する。
最良の予測地平線は約1秒であり、最高の実行地平線はチェックポイントに依存する。
短い地平線は非同期実行に役立ち、軌道を連続的に維持するメソッドは遅延を少なくする。
ポリシーの修正は失敗を狙ったが、コンベアのタスクによって実行地平線が変更された。
反応性は、ポリシーと同様に実行パイプラインに依存するため、両方を一緒に評価する必要がある。
関連論文リスト
- 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) - Long-Horizon Multi-Object Rearrangement via Distilled Tree Search over Continuous Actions [50.32428811924297]
DISCO: 連続行動による希釈木探索を提案する。
DISCOは物理シミュレーションにプログレッシブワイドMCTSを使用して長期計画を生成する。
探索中、学習されたポリシは継続的なアクションを提案し、学習された値関数はタスク完了に向けた期待された進捗によってアクションをスコアする。
GPU並列化シミュレーションを用いて、DECCOはMCTS生成した計画をポリシー値モデルに定期的に蒸留し、その後の検索で使用されるアクション提案と値推定を改善する。
最後に、学習したポリシー値モデルを、テスト時にシミュレータベースの検索を必要とせずに直接デプロイすることができる。
論文 参考訳(メタデータ) (2026-10-19T04:50:13Z) - Accelerating VLA Inference with Perturbation Informed Execution [27.545857699229956]
アクションチャンキング視覚言語アクション(VLA)モデルは、将来のロボットアクションのシーケンスを予測する。
固定水平実行では、ロボットは、各予測チャンクの固定長プレフィックスを実行した後、再びポリシーを呼び出す。
本稿では,次のポリシーコールの前に実行されるアクションチャンクとアクション数を共同で選択する,トレーニング不要なPICESを提案する。
論文 参考訳(メタデータ) (2026-10-14T06:31:06Z) - TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation [49.02604313942616]
VLA(Reactive Vision-Language-action)ポリシーは、長時間の操作においてタスク状態のエイリアスに悩まされる。
本稿では,VLAのネイティブ入力空間に実行コンテキストを注入することでタスク状態を基底とする軽量アダプタTaskAnchorを提案する。
長期のベンチマークではTaskAnchorが大幅に上昇し、pi0.5とX-VLAのベースラインの平均的な成功率の6倍に達する。
論文 参考訳(メタデータ) (2026-09-20T11:57:10Z) - Dynamic Execution Horizon Prediction for Chunk-based Robot Policies [29.482987292744568]
アクションチャンキングは、ポリシーが一連のアクションを予測し、一度にひとつのステップを実行するのではなく、一定数のアクションを実行する、現代のロボットポリシーの標準設計となっている。
実際には、実行の地平線は通常経験的なチューニングによって選ばれ、タスク依存度が高い。
オンライン強化学習を用いて,軽量な実行-水平予測分岐を訓練する有効な手法である動的実行-水平予測(DEHP)を提案する。
論文 参考訳(メタデータ) (2026-06-09T19:58:31Z) - 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) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳(メタデータ) (2024-08-30T15:39:34Z)
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。