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:2610.24590

シーン適応型VLA：動的レイヤールーティングによる効率的な自動運転

Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing

シェア:XThreadsFacebookLINEはてブBluesky

リアルタイムのシーン複雑度に応じてVLAモデルの活性パラメータ量を動的に調整するレイヤールーティング手法を提案し、計算コストを削減しつつ自動運転性能を維持できることを示した論文。

詳しい要約

1. どんなもの？

- Vision-Language-Action (VLA) モデルを用いた自動運転のための効率的フレームワーク「Scene-Adaptive VLA」 - リアルタイムのシーンに応じて動的に layer routing を行い、active parameter を調整する - 推論時の計算オーバーヘッド削減と driving capability・explainability の維持を狙う - コード公開あり (github.com/yang-luvu/Scene-Adaptive-VLA)

2. 先行研究と比べてどこがすごい？

- 既存の効率化 VLA 研究は Chain-of-Thought や token adjustment などの sequential adaptation が中心 - 動的シーン間の parameter redundancy があるにもかかわらず structural adaptation は未探索だった - 本研究は layer routing による構造的適応に着目し、このギャップを埋める点が新しい

3. 技術・手法の肝は？

- シーンの時間的連続性とモデルの predictive uncertainty に着想 - frame-level temporal scene variations と decision deviations でモデル知覚の scene complexity を特徴づけ - その特徴を scene-aware tokens と2つの specialized queries にエンコード - budget-conditioned layer routing が refined queries を評価し、active parameter ratio を決める budget を割当て、layer combinations を選択 - フレームワーク全体を end-to-end で最適化

4. どうやって有効だと検証した？

- Bench2Drive benchmark で広範に評価 - state-of-the-art VLA model に適用した結果、推論時計算オーバーヘッドを 53.5% 削減 - driving および language capabilities の劣化は無視できる程度と報告

5. 議論はある？

- 計算オーバーヘッド削減は energy consumption と vehicle battery range に直結する点を動機として強調 - driving capability と explainability を損なわない効率化の重要性に言及 - 具体的な限界や失敗ケース、layer routing の解釈性に関する議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較対象として挙げられる sequential adaptation 手法: Chain-of-Thought、token adjustment - 適用先として言及される state-of-the-art VLA model（具体名は要旨からは不明） - 評価に用いられた Bench2Drive benchmark - 関連する効率的 VLA・layer routing / early-exit 系の研究（具体名は要旨からは不明）

※ 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: Yujia Yang, Quan Yuan, Jiawei Fan, Yang Li, Tiange Fu, Xiaoyuan Fu, Guiyang Luo, Jinglin Li

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models offer a promising paradigm for autonomous driving. However, the massive parameter scale of VLAs strains onboard computational resources during real-time inference. This directly increases energy consumption and limits vehicle battery range, making it critical to minimize computational overhead without compromising driving capability and explainability. Current research on efficient VLA-based driving focuses on sequential adaptation (\textit{e.g.}, Chain-of-Thought and token adjustment), leaving structural adaptation underexplored despite parameter redundancy across dynamic driving scenes. To address this gap, we propose Scene-Adaptive VLA, an efficient framework leveraging dynamic layer routing to adjust active parameters based on real-time scenes. Inspired by the temporal continuity of scenes and model predictive uncertainty, our approach characterizes model-perceived scene complexity via frame-level temporal scene variations and decision deviations. To uncover latent scene-to-parameter correspondences, we encode this characterization into scene-aware tokens, alongside two specialized queries. A budget-conditioned layer routing mechanism evaluates these refined queries to allocate a budget that determines the active parameter ratio and subsequently selects appropriate layer combinations. The entire framework is optimized end-to-end. Extensive evaluations on the Bench2Drive benchmark show that when adapted to a state-of-the-art VLA model, our approach significantly reduces inference-time computational overhead by 53.5\% with negligible degradation in driving and language capabilities. Code is available at https:github.com/yang-luvu/Scene-Adaptive-VLA.

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