APS-VLA: Poda de tokens guiada por acción y con conciencia futura para modelos eficientes de lenguaje-visión-acción

Resumen del corpus

Se presenta APS-VLA, un marco que aprende la selección de tokens visuales a partir de demostraciones robóticas para reducir la latencia de inferencia en modelos de lenguaje-visión-acción (VLA). Este método logra una aceleración de $1.47\times$ en la latencia de inferencia, reduciéndola de 137.25 ms a 93.25 ms en tareas reales. Los resultados validan APS-VLA como un marco modular para un control robótico eficiente.