FASA: フィードバック認識型サンプリング適応による効率的な拡散ベースVLAモデル

- Diffusion-based Vision-Language-Action (VLA) models の推論高速化フレームワーク FASA を提案。 - 訓練不要の runtime フレームワークで、リアルタイム multimodal feedback を denoising pipeline の制御信号として扱う。 - interaction-driven range adaptor と proprioception-aware step adaptor を co-design。 - edge platform 上での real-time deployment を目指す。

- 既存の加速手法は distillation や flow matching など高コストな training を要する。 - 静的にスケジュールされた pruning や caching は知覚を劣化させ、robotic interactions の動的な workload variance を無視。 - FASA は training-free で、feedback に基づく動的適応を実現。 - 推論速度を最大 1.45× 向上しつつ競争力のある success rate を維持。

- リアルタイム multimodal feedback を denoising pipeline の制御信号として利用。 - interaction-driven range adaptor が visual と gripper-force feedback に基づき global sampling-step budget を変調。 - proprioception-aware step adaptor が適応後の範囲内で最適化された step を特定。 - ハードウェアアーキテクチャが実行フェーズごとの workload 要求に適応的に一致できる co-designed framework。

- 複数の benchmark で比較評価を実施。 - 推論速度が最大 1.45× 向上し、success rate は競争力を維持することを確認。 - 詳細な実験設定やベースラインは要旨からは不明。

- 資源制約のある computing platform 上で重い generative embodied AI workload を展開するための新しい動的 runtime architecture paradigm を提供。 - 限界や失敗ケース、一般的なロボットタスクへの適用可能性については要旨からは不明。

- 要旨で参照/比較されている研究: distillation, flow matching, statically scheduled pruning and caching を用いた既存の diffusion-based VLA 加速手法。 - 関連手法: Diffusion Policy, Vision-Language-Action (VLA) models, denoising diffusion probabilistic models (DDPM)。