cv usk(@cv_usk):ロボットの視覚的な計画を、座標トークンを1つずつ出すのをやめて、まとめて一気に出す手法です🤖 VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding https://t.co/aTjoc6kHep 📌 概要ボックスや軌跡などの「プリミティブ」を、軽量なドラフターで1回の順伝播で予測するFlash Primitive Decodingを提案しています。 ⚠️ 解決する課題自己回帰VLMは座標を1トークンずつ出すため、ウェイポイントや物体が増えるほどレイテンシが増えます 🧩 手法・プリミティブの型と長さが既知なので、全体を1パスで予測します・ターゲットのトークンとの一致ではなく、スキーマ上有効かどうかで受理します・無効なものだけ自己回帰で再生成します 📊 結果・3D軌跡のADEがAgiBotで0.083から0.042、InternA1で0.153から0.062に低下しました・MolmoSpacesの平均成功率が62.6%から70.2%に上がりました・1ステップのレイテンシはJetson Thorで約5.1倍、H100で3.6倍短縮しました 🔭 注意点フォールバックなしだとボックスのF1が大きく下がります。密な動きの高速化も予備的な結果です。 #ロボティクス #VLM

2026.11.15 02:54

ロボットの視覚的な計画を、座標トークンを1つずつ出すのをやめて、まとめて一気に出す手法です🤖 VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding 📌 概要ボックスや軌跡などの「プリミティブ」を、軽量なドラフターで1回の順伝播で予測するFlash Primitive Decodingを提案しています。 ⚠️ 解決する課題自己回帰VLMは座標を1トークンずつ出すため、ウェイポイントや物体が増えるほどレイテンシが増えます 🧩 手法・プリミティブの型と長さが既知なので、全体を1パスで予測します・ターゲットのトークンとの一致ではなく、スキーマ上有効かどうかで受理します・無効なものだけ自己回帰で再生成します 📊 結果・3D軌跡のADEがAgiBotで0.083から0.042、InternA1で0.153から0.062に低下しました・MolmoSpacesの平均成功率が62.6%から70.2%に上がりました・1ステップのレイテンシはJetson Thorで約5.1倍、H100で3.6倍短縮しました 🔭 注意点フォールバックなしだとボックスのF1が大きく下がります。密な動きの高速化も予備的な結果です。 #ロボティクス# #VLM#