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:2611.02076

拡散運転VLAにおけるシーン適応型読み出しとデコーディング

Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs

シェア:XThreadsFacebookLINEはてブBluesky

拡散型運転VLAの推論コスト削減のため、層ごとの軌道読み出し特性とシーンごとのデコーディング深さの違いを分析し、シーン条件付きMoE読み出しと適応的デコーディングで最大6倍高速化と精度向上を実現した。

詳しい要約

1. どんなもの？

- Diffusion driving VLA（vision-language-action model）の推論効率化フレームワーク。 - 軌道生成のdenoising各段階でbackboneを繰り返し実行するコストを削減する。 - シーンごとに軌道が「読める」タイミングと必要なrefinement量が異なる点に着目。 - scene-conditioned readout MoEとadaptive decoding policyを提案。

2. 先行研究と比べてどこがすごい？

- 従来のdiffusion driving VLAは全シーンで同一のdecoding計算を繰り返す前提だった。 - 本研究はdepth-decoding dissociation（late-layerは初回forward sweep後のreadoutに有効、early-layerは継続decodingが有効）を発見。 - 好適なreadout layerとdecoding depthがシーンごとに異なることを示した。 - 一律のdecodingではなくシーン適応的に配分する点が新規。

3. 技術・手法の肝は？

- ネットワーク深さとdecoding進行にわたるtrajectory readoutを分析。 - scene-conditioned readout MoE：単一backbone sweep後のlate-layer表現から層別軌道予測を適応的に重み付け統合。 - adaptive decoding policy：シーンが必要とする場合のみ追加のnative refinementを適用。 - 不要なdecodingを回避しつつ計画品質を維持する設計。

4. どうやって有効だと検証した？

- 2つのdiffusion driving VLAをWaymo E2EとnuScenesで評価。 - validation RFSを最大0.56改善し、test性能も向上。 - Waymo E2Eで最大6.0×のend-to-end speedupを達成。 - nuScenesでtrajectory errorを一貫して低減。

5. 議論はある？

- シーン単位のreadout・decoding配分が計画品質と効率の両立に有効と主張。 - ただし対象は2つのdiffusion driving VLAと2データセットに限られる。 - 他タスク・他モデルへの一般性や、MoE/adaptive policyの詳細な限界は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な先行研究は明示されていない。 - 関連手法としてdiffusion policy、vision-language-action model、Mixture-of-Experts、adaptive computationの定番研究を挙げる。 - コード公開先（https://github.com/sjyu001/SARD）の実装も参照候補。

※ 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: Seungjun Yu, Jiho Choi, Inha Kang, Hojun Choi, Seungwook Kim, Hyunjung Shim

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Diffusion driving vision-language-action models repeatedly execute the backbone at every denoising stage, incurring substantial inference cost, while it remains unclear whether all scenes require the same decoding computation. To distinguish when a trajectory becomes readable from how much further refinement it requires, we analyze trajectory readout across network depth and decoding progress. We identify a depth-decoding dissociation in which late-layer representations already support useful trajectory readout after the first forward sweep, whereas early-layer representations benefit more from continued decoding. We further find that both the preferred readout layer and decoding depth vary across scenes. Based on these observations, we propose a scene-adaptive readout and decoding framework. A scene-conditioned readout MoE adaptively weights and combines trajectory predictions from layer-specific late-layer representations after a single backbone sweep, while an adaptive decoding policy applies additional native refinement only when required by the scene. We evaluate our framework on two diffusion driving VLAs across the Waymo E2E and nuScenes benchmarks. Our method improves validation RFS by up to 0.56 while also improving test performance, and achieves an end-to-end speedup of up to $6.0\times$ on Waymo E2E, while consistently reducing trajectory error on nuScenes. These results demonstrate that scene-level readout and decoding allocation improves planning quality while avoiding unnecessary decoding. Our code is available at https://github.com/sjyu001/SARD

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