UCSD・MIT「FlashVLA」 ノイズレベルの異なる行動チャンクをストリーミング復号し、π0.5を2.4倍高速化して30Hz制御

UC San DiegoとMITの研究者は、VLAの推論遅延と非同期実行の不安定さを同時に扱う「FlashVLA」を公開した。行動チャンクを複数、異なるノイズレベルでストリーミングバッファに保持し、チャンク単位の因果注意で復号することで、1回の推論ごとに実行可能なチャンクを1つ出す。自己回帰の定式化で行動の連続性が保たれるため、非同期実行のために将来状態を追加で条件付けする必要がない。土台はflow matching型のπ0.5で、SmolVLAとLingBot-VLAでもアーキテクチャをまたいで検証した。

LIBEROでは成功率97.8%（同期ベースライン96.9%）を保ったまま2.43倍高速化し22.1ms/ステップ、RoboTwin 2.0では遅延を変えても2.43〜2.62倍を維持しつつ90.6%（同期86.0%）、長時間サブセットでは36.6ポイント改善した。RTX 4090・2カメラで26.7ms、条件次第で20.3ms（約50Hz更新）に達し、7自由度FrankaとRTX A4000 1枚の実機でピック＆プレース・ホワイトボード拭き・机片付けを30Hz制御で動かして完了時間1.3倍の短縮を示した。先週のARLI・LAWAと同じく、基盤モデルを作り直さず推論側の構造で遅延を削る系譜で、コードはGitHubで公開されている。