VLA-Rolling: 버려지던 Action tail을 재사용해 더 적은 디노이징으로 로봇 제어하기

문제

Flow-matching VLA는 노이즈를 여러 단계 디노이징해 행동 묶음(action chunk)을 만들지만, 앞부분 일부만 실행하고 새 관측으로 다시 계획한다. 실행하지 않은 뒷부분(action tail)은 버려지고, 다음 묶음은 새 Gaussian 노이즈에서 다시 생성된다. 이미 끝낸 디노이징 계산이 낭비되는 셈이다.

방법

진단 실험에서 action tail로 시작하면 π0.5는 4스텝, SmolVLA는 6스텝 만에 10스텝 Gaussian 기준선의 행동 오차를 따라잡았다. 다만 샘플별 최적 스텝 수는 1~10으로 크게 달랐다. 이를 바탕으로 VLA-Rolling은 세 단계로 동작한다. (1) 이전 tail을 다음 계획 구간에 맞춰 이어받는다. (2) 경량 신뢰도 추정기가 새 관측과 상태 변화를 보고 행동별 재사용 신뢰도를 예측한다. (3) 신뢰도가 낮은 행동에는 노이즈를 더 섞고, 묶음에서 가장 낮은 신뢰도에 맞춰 디노이징 스텝 수를 정한다. 추정기는 시간적으로 인접한 시연 데이터로 오프라인 학습하며, 신뢰도를 과대평가할 때 더 큰 벌점을 준다. VLA 본체는 고정한다.

결과

• π0.5, SmolVLA, X-VLA, MolmoAct2와 LIBERO, MetaWorld, LIBERO-Plus, RoboTwin 2.0의 16개 조합 모두에서 action chunk당 추론 시간이 5.00~32.52% 줄었다(최대 1.48배 처리량).
• 16개 중 14개 조합에서 성공률이 올랐고, 최대 상승폭은 SmolVLA LIBERO-Plus의 20.74%→35.82%(+15.08%p)였다.
• π0.5 LIBERO에서 성공률은 96.38%→97.83%, 추론 시간은 168.09ms→129.60ms였다.
• 어블레이션에서 tail을 단순히 이어받기만 하면 성공률이 4.89% 떨어졌고, 스텝 수만 조정해도 4.29% 떨어졌다. 개선은 renoising을 포함한 변형에서만 나타났다.

한계

X-VLA의 LIBERO-Plus(-0.13%p)와 RoboTwin(-0.28%p)에서는 성공률이 소폭 낮아졌다. 일부 조합은 비용 절감이 5~8% 수준이다. 신뢰도 추정기는 시연 데이터로 따로 학습해야 한다. 평가는 주로 시뮬레이션이며, 실제 로봇 실험은 확인한 본문 범위에서 상세히 볼 수 없다. 표 1의 π0.5 MetaWorld 증감값 표기가 성공률 차이와 맞지 않아 원문 확인이 필요하다.

의미

VLA를 재학습하지 않고 추론 단계만 바꿔 속도와 성공률을 함께 개선할 수 있는 플러그인형 방법이다. 실시간 로봇 제어에서 디노이징 비용이 병목일 때 바로 적용해 볼 만하다.

핵심 용어

VLA(Vision-Language-Action) 모델

카메라 영상과 언어 지시를 받아 로봇 행동을 직접 출력하는 모델이다.

Action chunk / Action tail

한 번에 예측하는 미래 행동 묶음이 action chunk다. 그중 실행하지 않고 남는 뒷부분이 action tail이다.

Receding-horizon 실행

긴 계획 중 앞부분만 실행하고 새 관측으로 다시 계획하기를 반복해 오류 누적을 줄이는 방식이다.

Renoising

재사용할 행동에 신뢰도에 반비례하는 양의 노이즈를 섞어, 낡은 예측을 다시 고칠 여지를 주는 단계다.

원문

• arXiv 초록
• PDF
• HTML 본문
• 코드
• 프로젝트
• Hugging Face

저자: Sicheng He, Yi Pan, Qiuting Yu, Jiaming Huang, Qi Lu, Shuyan Wu, Hongyan Feng, Xuanyu Liu, 외 · 게시 2026-10-18 · 라이선스 CC BY 4.0 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.