何が起きたか
研究者らは、自動運転向けの軽量VLAモデル「RT-VLA」を提案した。RT-VLAは、最先端のSimLingoモデルから多段階の教師付き蒸留により知識を転移し、推論時間をビジョンのみのモードで44.8倍、ビジョン+言語モードで7.9倍短縮した。性能は教師モデルと同等を維持している。
詳細
RT-VLAは、大規模な視覚言語バックボーンと推論モジュールを持つVLAモデルの推論遅延問題を解決するため、軽量な学生モデルに教師モデルの運転・推論能力を蒸留する。蒸留は多段階の教師付きで行われ、言語ベースの推論を保持しつつ、安全上重要な運転瞬間のオフライン言語分析による事後説明をサポートする。これにより、リアルタイム制御に遅延を加えることなく説明可能性を実現する。
Key Facts
| RT-VLAは、SimLingoモデルから多段階の教師付き蒸留により知識を転移する軽量VLAモデルである。 | [1] |
| RT-VLAは、ビジョンのみのモードで推論時間を44.8倍、ビジョン+言語モードで7.9倍短縮した。 | [1] |
| RT-VLAは、教師モデルと同等のクローズドループ運転性能と言語推論性能を維持する。 | [1] |
| RT-VLAは、安全上重要な運転瞬間のオフライン言語分析による事後説明をサポートする。 | [1] |
なぜ重要か
RT-VLAの成果は、自動運転におけるVLAモデルの実用化に向けた重要な技術的進展を示す。推論遅延の大幅な短縮は、リアルタイム制御が求められる自動運転システムへのVLAモデル搭載の可能性を広げる。また、説明可能性を維持したまま軽量化を実現した点は、安全性と信頼性の両立に寄与する。