VLA2026/8/14arXiv:2608.14379v1

反射：反応が重要な操作のための高速で予測的な視覚言語行動モデル

Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation

動的操作における反応速度を重視したベンチマークReflexBenchを新設し、低遅延で予測的なVLAモデルReflexVLAを提案した。

詳しい要約

1. どんなもの？

本論文は、動的で反応が重要な操作タスク（reaction-critical manipulation）に焦点を当てたVLAモデルの研究である。既存のベンチマークが静的タスクに偏っている問題を指摘し、新しいベンチマークReflexBenchと、効率的なVLAモデルReflexVLAを提案している。ReflexBenchは6つの動的タスクを含み、シミュレータのステップとロボット制御を分離し、同期・非同期推論の下で設定可能なレイテンシをサポートする評価フレームワークを導入する。ReflexVLAは、大規模なロボットデータ事前学習なしで、潜在的な未来予測と視覚バックボーン内のマルチフレーム時間融合により時間的推論を強化し、バッチ視覚エンコーディングとCUDA Graphリプレイにより展開レイテンシを削減する。実験では、動的操作性能を向上させつつ、静的ベンチマークでも競争力のある精度を維持し、実世界実験でも有効性を示す。

2. 先行研究と比べてどこがすごい？

先行研究のVLAモデルは主に静的タスクの汎化を評価しており、動的相互作用シナリオをほとんど考慮していない。本論文は、反応が重要な操作に特化したベンチマークReflexBenchを新たに導入し、レイテンシを明示的に扱う評価フレームワークを提供する点が新しい。また、ReflexVLAは大規模なロボットデータ事前学習を必要とせず、時間的推論と推論速度の両方を改善する点で、既存のVLAモデル（通常は大規模事前学習に依存）と異なる。

3. 技術・手法の肝は？

手法の肝は、ReflexVLAのアーキテクチャと最適化にある。時間的推論を強化するため、視覚バックボーン内で潜在的な未来予測（latent future prediction）とマルチフレーム時間融合（multi-frame temporal fusion）を導入する。展開レイテンシを削減するため、バッチ視覚エンコーディング（batched visual encoding）とCUDA Graphリプレイ（CUDA Graph replay）を用いる。また、ReflexBenchの評価フレームワークは、シミュレータのステップとロボット制御を分離し、同期・非同期推論の下でレイテンシを設定可能にすることで、動的タスクの評価を可能にする。

4. どうやって有効だと検証した？

有効性の検証は、シミュレーションと実世界の両方で行われた。シミュレーションでは、ReflexBenchの6つの動的タスクでReflexVLAが動的操作性能を一貫して向上させ、標準的な静的ベンチマークでも競争力のある精度を維持することを示した。実世界実験では、実用的な展開条件下での有効性を実証した。具体的な数値や比較対象は要旨からは不明。

5. 議論はある？

要旨からは、議論の余地として、ReflexVLAが大規模なロボットデータ事前学習を必要としない点が挙げられるが、その性能が大規模事前学習モデルと比較してどの程度かは不明。また、ReflexBenchのタスクが6つと限定的であり、より多様な動的タスクへの拡張が必要かもしれない。さらに、レイテンシ設定の範囲や実世界でのロバスト性についての詳細は要旨にない。

6. 次に読むべき論文は？

要旨で参照されている研究は明示されていないが、関連手法としてVLAモデル（Vision-Language-Action models）や、動的操作のためのベンチマーク（例えば、RoboSuiteやRLBenchなど）が考えられる。また、時間的推論や未来予測に関する研究（例えば、Video PredictionやTemporal Reasoning in RL）も関連する。具体的には、要旨に挙げられたReflexVLAの手法（latent future prediction, multi-frame temporal fusion, batched visual encoding, CUDA Graph replay）に関連する論文を読むとよい。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yuxuan Chen, Wanruo Zhang, Xiao Li

分類: cs.RO, cs.AI

原文アブストラクト

Vision-Language-Action (VLA) models have recently achieved promising performance in robotic manipulation. However, existing benchmarks mainly evaluate generalization on static manipulation tasks and largely overlook dynamic interaction scenarios. To address this gap, we present ReflexBench, a benchmark for reaction-critical manipulation. ReflexBench contains six dynamic tasks and introduces an evaluation framework that decouples simulator stepping from robot control while supporting configurable latency under synchronous and asynchronous inference. Building upon ReflexBench, we propose ReflexVLA, an efficient VLA model designed for reaction-critical manipulation without large-scale robot-data pretraining. ReflexVLA enhances temporal reasoning through latent future prediction and multi-frame temporal fusion within the vision backbone, while reducing deployment latency through batched visual encoding and CUDA Graph replay. Experiments show that ReflexVLA consistently improves dynamic manipulation performance while maintaining competitive accuracy on standard static manipulation benchmarks, and real-world experiments further demonstrate its effectiveness under practical deployment conditions. Project website: https://reflexvla.github.io

arXivで原文を読む →arXiv概要ページ

← 論文一覧