ロボットの行動推論を高速化する「Reflex」、過去の行動チャンク再利用で最大11倍の低遅延

何が起きたか

論文「Reflex: Fast Robot Policy Serving by Reusing and Correcting Past Actions」は2026年10月31日、ロボットポリシーの推論を高速化するサービング層「Reflex」を発表した。過去に実行した完全な行動チャンクをキャッシュし、ポリシー本体とアクションヘッドを再実行せずに次の判断を行う方式である。代表的なワークロードと実機で、推論遅延を1.4〜11倍、スループットを2.0〜2.2倍改善し、タスク成功率は同等水準だったとしている。

詳細

Reflexは、過去のポリシー判断に基づいて行動の類似性を評価し、適合するチャンクを組み合わせたうえで軽量な残差補正を加える。実行進捗も捉え、蓄積する誤差を抑えるために元のポリシーを適応的に再実行する。基盤となるポリシー自体は変更しない。 論文は、既存の中間デノイジング状態の再利用が、キャッシュなしでデノイジング回数を減らす方式を大きく上回らない場合があると指摘する。また、デノイジングを高速化しても、ポリシー本体がGPU時間の70%を占める場合があるとしている。

Key Facts

本紙の見方

Reflexの焦点は、デノイジング計算の一部を再利用することではなく、過去のポリシー実行から得た完全な行動チャンクを使い、ポリシー本体とアクションヘッドを通らない経路を設ける点にある。論文によれば、既存の中間状態の再利用は、キャッシュを使わずにデノイジング回数を減らす方法と比べて利点が小さい場合がある。さらにポリシー本体がGPU時間の70%を占めることがあるという指摘から、デノイジング部分だけを短縮しても、推論全体の負荷が残り得るという問題設定が読み取れる。 ただし、過去の行動をそのまま流用すれば、観測が似ていても必要な動作が違う場面や、わずかな誤差が積み重なる場面に対応しにくい。Reflexはこの課題に対し、行動レベルでは類似性の評価、チャンクの組み合わせ、残差補正を行い、実行レベルではタスク進捗に応じて元のポリシーを再実行する構成を取る。したがって、速度向上の核は単純なキャッシュではなく、再利用の適否と再推論のタイミングを二段階で扱うことにあるとみられる。 この構成は、基盤ポリシーを変更しないサービング層として提示されている。ポリシーを再訓練・改修する方式と異なり、既存ポリシーの外側で推論経路を短縮する設計であるため、導入時には元のポリシーとの接続に加え、行動チャンクの適合判定と補正が対象タスクで機能するかが焦点になる。一方、論文要旨が示す性能値は推論遅延で1.4〜11倍、スループットで2.0〜2.2倍と幅があり、同じ効果があらゆるロボットやタスクで得られることを意味しない。タスク成功率も「同等水準」とされるが、要旨だけでは比較対象や個別タスクの結果を確認できない。 今後の検証では、行動チャンクの再利用がどの状況で失敗するか、元のポリシーを再実行する頻度が速度と誤差の蓄積にどう関係するかを、タスク別に見る必要がある。要旨には、絶対的な遅延時間、実機やワークロードの内訳、タスクごとの成功率は記載されていない。したがって、報告された倍率を実運用時の制御周期や複数ロボットの処理能力に結び付けて評価するには、測定条件と個別結果の確認が欠かせない。

なぜ重要か

論文によれば、ポリシー本体がGPU時間の70%を占める場合があり、デノイジングの短縮だけでは残る計算負荷が課題となる。Reflexは過去の行動チャンクを使ってポリシー本体とアクションヘッドを迂回する経路を提案しており、既存ポリシーを変更せずに推論遅延を抑えたい場合の選択肢となり得るが、報告された効果は代表的なワークロードと実機での結果である。