ナビゲーションVLA2026/10/26arXiv:2610.36285

コマンド持続予測でナビゲーションVLAの意味推論を効率化するASPEN

ASPEN: Adaptive Semantic Reasoning via Command Persistence Prediction for Efficient Navigation VLAs

ナビゲーションVLAが同じコマンドを再推論する無駄を、軽量なマルチモーダル予測器でコマンド持続を予測して再利用し、VLA呼び出しを約9.5%削減した研究。

詳しい要約

1. どんなもの？

- ナビゲーション VLA (vision-language-action) ポリシーの推論を効率化するイベントトリガ型スケジューラ ASPEN の提案。 - 次コマンドが前回と同一かを予測する command persistence prediction に基づく。 - 予測が十分なら command reuse で semantic reasoning を省略し、そうでなければ VLA を再呼び出しする。

2. 先行研究と比べてどこがすごい？

- 従来の navigation VLA は次コマンドが不変でも高コストな semantic reasoning を毎回呼ぶ。 - 単純な command reuse は instruction 依存の turn/stop を見逃すリスクがある。 - ASPEN は persistence を予測して再利用可否を判断し、計算削減と性能維持を両立させる点が新しい。

3. 技術・手法の肝は？

- 凍結した base policy が前回コマンドを再発行するかを推定する command persistence prediction。 - 軽量 multimodal predictor が temporal observations、language instructions、execution history、cached VLA confidence を統合。 - eligible command boundaries で予測 persistence が十分なら reuse、不十分なら fresh semantic reasoning をトリガ。

4. どうやって有効だと検証した？

- 凍結 NaVILA を用い、cross-dataset RxR-CE val-unseen で評価。 - VLA calls を 9.5%、scheduling overhead 込みの estimated inference time を 8.1% 削減。 - navigation performance は同等で、92.1% の episode で baseline と同一の action sequence を保持。

5. 議論はある？

- command reuse の見逃しリスクと persistence 予測の誤りへの影響は要旨からは不明。 - 評価は NaVILA と RxR-CE val-unseen に限定されており、他 VLA・データセットへの一般性は要旨からは不明。 - scheduling overhead を含めても削減効果がある点は示されるが、詳細な議論は要旨からは不明。

6. 次に読むべき論文は？

- 比較対象として明示される frozen NaVILA と、評価データセット RxR-CE。 - 関連手法として navigation VLA、command reuse、semantic reasoning のスケジューリングに関する研究。 - 具体的な参照論文は要旨からは不明。

※ 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: Vieri N. Akustia, Bin Hu

分類: cs.RO

原文アブストラクト

Navigation vision-language-action (VLA) policies repeatedly invoke costly semantic reasoning even when the next command remains unchanged. Command reuse can reduce computation but risks missing instruction-dependent turns or stops. We introduce ASPEN, an event-triggered scheduler based on command persistence prediction: estimating whether the frozen base policy would reissue its previous command. A lightweight multimodal predictor combines temporal observations, language instructions, execution history, and cached VLA confidence. At eligible command boundaries, sufficient predicted persistence permits command reuse. Otherwise, ASPEN triggers fresh semantic reasoning from the VLA. Evaluated with frozen NaVILA on cross-dataset RxR-CE val-unseen, ASPEN reduces VLA calls by 9.5% and estimated inference time by 8.1%, including scheduling overhead. It maintains comparable navigation performance and preserves identical baseline action sequences on 92.1% of episodes.

arXivで原文を読む →arXiv概要ページ

← 論文一覧