VLA2026/9/10arXiv:2609.10915

IMLE-VLA：Vision-Language-Actionポリシーのための高速単一ステップ行動生成

IMLE-VLA: Fast Single-Step Action Generation for Vision-Language-Action Policies

拡散・フローマッチング型の反復サンプリング行動ヘッドをcIMLEによる単一ステップ生成器に置き換え、推論を最大3.67倍高速化しつつLIBEROで98.0%の成功率を達成したVLAポリシー。

詳しい要約

1. どんなもの？

- Vision-Language-Action (VLA) ポリシーの推論高速化手法 IMLE-VLA を提案。 - 従来の diffusion / flow matching ベースの action head を単一ステップの条件付き生成器に置換。 - conditional Implicit Maximum Likelihood Estimation (cIMLE) で学習。 - π0.5 に適用し、推論周波数を 55 Hz に向上（従来 15 Hz）。 - LIBERO ベンチマークや実機 Franka Emika Panda で評価。

2. 先行研究と比べてどこがすごい？

- 従来の action head は 10 Euler steps など反復的多段サンプリングが必要で推論ボトルネック。 - IMLE-VLA は多段サンプリングを完全に排除し、単一ステップ生成を実現。 - 単純回帰ヘッドの mode collapse を避けつつ、マルチモーダルな行動分布をカバー。 - π0.5 比で推論周波数 3.67 倍、action throughput 最大 11 倍。 - LIBERO 40 タスクで平均成功率 98.0% と最高性能、LIBERO-plus の摂動下でも頑健性を維持。

3. 技術・手法の肝は？

- 反復的な action head を単一ステップの条件付き生成器に置き換え。 - conditional Implicit Maximum Likelihood Estimation (cIMLE) で学習。 - cIMLE 目的関数がマルチモーダルな行動カバレッジを促進。 - これにより naive regression head の mode collapse を回避。 - 多段サンプリングを不要にし、推論を高速化。

4. どうやって有効だと検証した？

- LIBERO ベンチマーク 40 タスクで平均成功率 98.0% を達成。 - 推論周波数でも全ベースライン中最高。 - LIBERO-plus の test-time perturbations 下で π0.5 の頑健性を保持。 - 実機 Franka Emika Panda で 4 タスクを検証。 - 動作の滑らかさ（jerk が 2.2〜3.0 倍低減）とタスク完了速度向上を確認。 - エピソードあたりの平均 VLA 推論時間を 3.9〜6.6 倍削減。

5. 議論はある？

- cIMLE head が汎化性能を保持することが LIBERO-plus で確認された。 - 実機で π0.5 を全タスクで上回り、滑らかな動きと高速タスク完了を実現。 - 推論ボトルネック解消により stop-and-go 運動が改善。 - 詳細な限界や失敗事例、計算コストの議論は要旨からは不明。

6. 次に読むべき論文は？

- π0.5（比較対象の VLA ポリシー） - diffusion policy - flow matching ベースの action head - conditional Implicit Maximum Likelihood Estimation (cIMLE) - LIBERO / LIBERO-plus ベンチマーク - Franka Emika Panda を用いた実機研究

※ 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: Kian Hosseinkhani, Qinhe Peng, George Shramko, Mehran Aghabozorgi, Jianing Qian, Tristan Engst, Alireza Moazeni, Dinesh Jayaraman, Ke Li

分類: cs.RO, cs.CV

原文アブストラクト

Vision-language-action (VLA) policies leverage pretrained vision-language backbones to achieve strong cross-task generalization. A leading design couples this backbone with a dedicated continuous action head trained via diffusion or flow matching. However, such heads rely on iterative multi-step sampling, for example 10 Euler steps in $π_{0.5}$. This creates an inference bottleneck that produces stop-and-go movement in the robot and slower task completion. We introduce IMLE-VLA, which replaces the iterative action head with a single-step conditional generator trained via conditional Implicit Maximum Likelihood Estimation (cIMLE). The cIMLE objective promotes multimodal action coverage, avoiding the mode collapse of naive regression heads while eliminating multi-step sampling entirely. When IMLE-VLA is applied to $π_{0.5}$, it increases inference frequency 3.67x (55 Hz vs. 15 Hz), enabling up to 11x higher action throughput. On the 40-task LIBERO benchmark, IMLE-VLA achieves the highest average success rate (98.0%) among all baselines while leading in inference frequency. Under the test-time perturbations of LIBERO-plus, IMLE-VLA retains $π_{0.5}$'s robustness while other baselines degrade sharply, confirming that the cIMLE head preserves generalization. Real-world experiments on a Franka Emika Panda across four tasks demonstrate smoother motion (2.2x to 3.0x lower jerk) and faster task completion, with IMLE-VLA outperforming $π_{0.5}$ on every task and reducing average VLA inference time per episode by 3.9x to 6.6x. Videos and code are available at https://kianhk6.github.io/IMLE-VLA/

arXivで原文を読む →arXiv概要ページ