VLA に関する報道

SMILE は、B スプライン係数を予測し、それらをスムーズなアクション シーケンスにデコードすることで、VLA モデルの固定視野を拡張し、モデル アーキテクチャではなくアクション表現のみを変更します。長期視点の精度を向上させるために大規模なモデルやより多くの呼び出しに依存していた以前の方法と比較して、この方法では精度が向上し、SmolVLA や Evo1 を含む 4 つのベースラインでの償却推論効率が向上しました。中でもSMILE-Evo1はLIBEROで98.0%、加速1.1倍に達しました。これは、B スプラインの滑らかなモーション表現が、VLA のロングビュー実行に対する低コストで一般的な改善となる可能性があることを意味します。

DriftingVLA は、分散ドリフト ターゲットを使用してフロー マッチング反復を置き換えるネイティブ ワンステップ ビジョン-言語-アクション モデルを提案しており、完全なアクション ブロックは単一のフォワード パスで生成できます。複数段階の調整が必要な従来のフローベースの VLA と比較して、この方法はオンライン制御の遅延を大幅に削減します。次元ごとの時間ドリフト (PDTD) は、さまざまな動作次元の制御セマンティクスを考慮に入れ、ロボットのリアルタイムの意思決定に新しいアイデアを提供します。

この記事では、VLA における言語の役割を、トレーニング監視、潜在的推論、条件付き呼び出し、完全なフレームごとの 4 つのカテゴリに分類する言語残差分類方法を提案します。中心となる変更は、最適化の焦点を「言語を使用するかどうか」から「推論中にいつ、どこで言語を使用するか」に移すことです。推論コストはフレームごとに蓄積されるため、トレーニング コストは 1 回限りです。これは、オンボード効率の最適化がアーキテクチャから推論戦略設計に移行できることを意味します。