VLA-Rolling、行動の残りを再利用し制御を高速化

研究者は10月18日公開の論文で、視覚・言語・行動モデル向けの軽量推論フレームワーク「VLA-Rolling」を発表しました。以前に生成した行動列のうち実行されなかった部分を再利用し、モデルが新たな観測を受け取った後に、その列をどの程度調整するかを変えます。基盤となるVLAモデルの重みは固定したままです。

VLAモデルはノイズを繰り返し取り除いて行動のまとまりを生成しますが、後退ホライズン制御では、その一部だけを実行してから計画を立て直します。通常は残りの行動を捨て、ガウスノイズから新しいまとまりを生成します。研究者によると、捨てられる部分にもノイズ除去の進み具合が残っており、ノイズ除去の回数を減らしても、10ステップのガウスノイズ基準と同等以上の性能を得られる場合があります。

VLA-Rollingは、行動の残りの継承、行動ごとの信頼度推定、信頼度に基づくノイズ除去回数の割り当てという3段階で動作します。研究者はπ₀.₅、SmolVLA、X-VLA、MolmoAct2を使い、LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0で評価しました。16組すべてで行動まとまりの推論コストを下げ、最大1.48倍に高速化しました。成功率は14組で向上し、最大15.08ポイント上がりました。論文によると、最適なノイズ除去回数はサンプルごとに大きく異なるため、環境の更新に合わせて行動の残りを調整しました。

研究者は10月18日公開の論文で、視覚・言語・行動モデル向けの軽量推論フレームワーク「VLA-Rolling」を発表しました。以前に生成した行動列のうち実行されなかった部分を再利用し、モデルが新たな観測を受け取った後に、その列をどの程度調整するかを変えます。基盤となるVLAモデルの重みは固定したままです。

VLAモデルはノイズを繰り返し取り除いて行動のまとまりを生成しますが、後退ホライズン制御では、その一部だけを実行してから計画を立て直します。通常は残りの行動を捨て、ガウスノイズから新しいまとまりを生成します。研究者によると、捨てられる部分にもノイズ除去の進み具合が残っており、ノイズ除去の回数を減らしても、10ステップのガウスノイズ基準と同等以上の性能を得られる場合があります。

VLA-Rollingは、行動の残りの継承、行動ごとの信頼度推定、信頼度に基づくノイズ除去回数の割り当てという3段階で動作します。研究者はπ₀.₅、SmolVLA、X-VLA、MolmoAct2を使い、LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0で評価しました。16組すべてで行動まとまりの推論コストを下げ、最大1.48倍に高速化しました。成功率は14組で向上し、最大15.08ポイント上がりました。論文によると、最適なノイズ除去回数はサンプルごとに大きく異なるため、環境の更新に合わせて行動の残りを調整しました。