TurboVLA：1GB未満のVRAMでリアルタイム動作するVLAモデル

導入

視覚・言語・行動を結びつけるVLAモデルは、ロボット操作の重要な研究領域になっている。一方で、多くのモデルは大規模言語モデルを中心に据え、視覚情報をいったんLLMの表現空間に投影してからロボットの行動へ変換する。このV→L→A型の設計は有効だが、ポリシーを呼び出すたびに大きな計算量とメモリ消費を伴う。

TurboVLAは、この前提を変えようとするモデルだ。LLMを知覚と行動の中心的な仲介役にするのではなく、視覚情報と言語指示を直接組み合わせ、行動を予測するV+L→Aの形に再定式化している。

核心ポイント

• LLM中心からの転換：従来型のV→L→Aではなく、視覚特徴と言語特徴からタスク条件付きの行動表現を直接構築する。
• 軽量な構成：視覚観測と言語指示を独立にエンコードし、軽量な双方向の視覚・言語インタラクションで情報を交換する。
• コンパクトな行動予測：最後に小型のデコーダを用いて、連続的な行動チャンクを予測する。
• 低いリソース要件：論文によれば、モデル規模は0.2Bパラメータで、RTX 4090上の推論VRAMは0.9GB、遅延は31.2msとなっている。
• LIBEROでの結果：LIBEROベンチマークでは平均成功率97.7%を達成し、より大きなVLAポリシーに匹敵または上回るとされている。

意義と影響

TurboVLAの重要性は、単に小型で高速という点にとどまらない。ロボット制御において、本当に大規模言語モデルを中心インターフェースとして使う必要があるのか、という問いを投げかけている。多くの操作タスクでは、現在の視覚状態と自然言語指示に基づいて、適切な連続行動を生成できればよい。その目的に対しては、視覚と言語を直接相互作用させる専用設計のほうが効率的な場合がある。

これは実用面でも大きい。ロボットの制御ループには低遅延と安定した推論が求められ、利用できるGPUメモリや計算資源は常に潤沢とは限らない。消費者向けGPU上で1GB未満のVRAMに収まり、リアルタイム級の制御周波数を実現できるなら、研究と導入のハードルは下がる。

ただし、今回の素材で確認できる主な評価はLIBERO上の結果であり、実機ロボットや長期タスク、多様な環境での検証は今後の重要な課題となる。それでもTurboVLAは、VLAの発展が必ずしもLLM中心の大型化だけではないことを示す、興味深い方向性を提示している。

Source: Hugging Face Daily Papers