PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27468v1cs.CV

CereVLA: 효율적인 비전-언어-행동 실행을 위한 소뇌 영감 결과 인지 잔차 제어

CereVLA: Cerebellum-Inspired Consequence-Aware Residual Governance for Efficient Vision-Language-Action Execution

행동 청크 기반 비전-언어-행동(VLA) 정책은 추론 효율성을 향상하지만, 확정된 행동 청크 내의 제한된 피드백으로 인해 실행 오류가 누적될 수 있습니다. 잔차 적응(residual adaptation)은 VLA를 재학습하지 않고도 이러한 편차를 교정할 수 있지만, 기존의 교정 방식은 다운스트림 결과를 명시적으로 고려하지 않고 참조 행동 일관성에 맞춰 최적화되는 것이 일반적입니다. 이러한 한계를 해결하기 위해, 우리는 동결된 VLA 실행에 경량 잔차 개선과 예측적 결과 평가를 통합한 통합 프레임워크인 소뇌 영감 결과 인지 잔차 제어(CereVLA)를 제시합니다. 먼저 플로우 기반 잔차 개선을 통해 교정 행동을 생성한 후, 순환 상태 공간 모델과 이력 인지 분류기를 통해 단기 및 구간 단위 시계(interval-horizon)의 결과를 평가합니다. 바람직하지 않은 것으로 예측된 잔차 교정은 경량 거버너(governor)에 의해 선별적으로 억제됩니다. LIBERO-10 및 LIBERO-GOAL에서 최신 기법들과 비교하여 CereVLA의 효과를 입증합니다. SO-101에서 CereVLA는 동결된 SmolVLA 기준선 대비 작업 성공률을 57.5%에서 90.0%로 향상하고, 성공한 시도들에서 평균 제어 스텝을 19.6% 줄입니다.