日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2609.36471

階段ポリシー：大規模アクションチャンクを持つ世界行動モデルのストリーミング推論

Staircase Policy: Streaming Inference for World-Action Models with Large Action Chunks

シェア:XThreadsFacebookLINEはてブBluesky

未来予測に基づく世界行動モデルをストリーミング推論で効率化し、大きなアクションチャンクを段階的に精錬しながら実行することで、長期的なタスクでも高精度・高スループットを実現した研究。

詳しい要約

1. どんなもの？

World-Action Models (WAMs) の推論を効率化する streaming inference/training フレームワーク STAIRCASE POLICY を提案。flow-matching VLA を JEPA-style WAM に変換し、大きな action chunk を staggered denoising stages で sub-chunk に分割。近未来の action は利用可能になり次第実行し、後続 action は精錬を継続。各 sub-chunk 境界で最新 observation から future latent を再予測し、未実行 action を更新。これにより full policy inference を繰り返さず長 horizon 実行を可能にする。future-prediction error は adaptive chunking の signal にもなる。S-WAM は LIBERO 97.7%、LIBERO-Plus 87.9%、複数 policy backbone と実機タスクで性能向上。292.7 execu…

2. 先行研究と比べてどこがすごい？

従来の WAMs は future prediction により既に高コストな iterative action generation の推論 overhead が増大。action chunking でコストを償却できるが、長い execution horizon では後続 action が stale observation に条件付けられ性能劣化。STAIRCASE POLICY は streaming inference と staggered denoising でこの問題を緩和し、full policy inference を繰り返さず長 horizon 実行を実現。従来実行比 3.62x throughput を同等精度で達成し、time-to-first-action も短縮。

3. 技術・手法の肝は？

flow-matching VLA を JEPA-style WAM に変換。大きな action chunk を staggered denoising stages で sub-chunk に分割。近未来 action は利用可能になり次第実行、後続 action は精錬継続。各 sub-chunk 境界で最新 observation から future latent を再予測し、未実行 action を更新。future-prediction error を adaptive chunking の signal に利用。

4. どうやって有効だと検証した？

LIBERO で 97.7%、LIBERO-Plus で 87.9% を達成。複数の policy backbone と real-robot tasks で性能向上を確認。292.7 executed actions/sec を達成し、従来実行比 3.62x throughput を同等精度で実現。time-to-first-action を 123.6 から 73.3 ms に短縮。追加 inference 最適化で 642.9 actions/sec に向上。

5. 議論はある？

future-prediction error が adaptive chunking の signal として利用可能である点が示唆される。長 horizon 実行時の性能劣化や推論 overhead への対処が議論の中心。ただし、adaptive chunking の具体的な閾値設定や、異なるタスク・環境への汎化性、real-robot での詳細な評価条件などは要旨からは不明。

6. 次に読むべき論文は？

要旨で参照/比較されている研究は明示されていない。関連手法として World-Action Models (WAMs)、flow-matching VLA、JEPA-style WAM、action chunking が挙げられる。同分野の定番として LIBERO、LIBERO-Plus ベンチマークや、VLA モデル (例: RT-2, OpenVLA) を読むことが推奨される。

※ 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: Guoheng Sun, Chen Chen, Jin Wang, Ang Li, Teresa Lv

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

World-Action Models (WAMs) improve robotic manipulation by conditioning action generation on predicted future observations, but future prediction adds further inference overhead to already expensive iterative action generation. Action chunking can amortize this cost over multiple actions, yet performance degrades over long execution horizons because later actions remain conditioned on stale observations. We introduce STAIRCASE POLICY, a streaming inference and training framework that turns a flow-matching VLA into a JEPA-style WAM and partitions a large action chunk into sub-chunks at staggered denoising stages. Near-term actions are executed as soon as they become available, while later actions continue to be refined. At each sub-chunk boundary, the future latent is re-predicted from the latest observation and used to update all unexecuted actions, enabling long-horizon execution without repeated full policy inference. The resulting future-prediction error can further serve as a signal for adaptive chunking. S-WAM achieves 97.7% on LIBERO and 87.9% on LIBERO-Plus, and improves performance across multiple policy backbones and real-robot tasks. It reaches 292.7 executed actions per second, $3.62\times$ the throughput of conventional execution at comparable accuracy, while reducing time-to-first-action from 123.6 to 73.3 ms. With additional inference optimizations, throughput further increases to 642.9 actions per second.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI