VLA 갤러리 / 모델 목록 / VA

Dense Policy

Shanghai Jiao Tong University; Xidian University; Shanghai Innovation Institute · 2025-03

VAVA절대값 미공개회귀

인코더 전용 트랜스포머로 행동열을 양방향 조밀 확장해 로그 시간에 생성한다.

논문

Dense Policy: Bidirectional Autoregressive Learning of ActionsarXiv 2503.13217

개요

분류

VA

유형

VA

발표

2025-03

기관

Shanghai Jiao Tong University; Xidian University; Shanghai Innovation Institute

가중치 공개

아니오

파라미터

절대값 미공개; DP 대비 +9.19M, ACT의 절반 미만

구조

백본 LLM

없음

비전 인코더

ResNet18 또는 3D 희소 합성곱

액션 헤드

양방향 계층 확장 (연속 L2) (회귀)

청크

미공개

제어 주기

미공개

구조 원문 요약

2D ResNet18(GroupNorm) 또는 3D 희소 합성곱 인코더 + 4층 BERT 인코더 전용 구조; 단일 프레임에서 행동열을 거친 것부터 양방향으로 펼치는 로그 시간 추론, 연속 행동 L2 손실

학습

사전학습 가속기

해당 없음

사전학습 기간

해당 없음

사전학습 스텝·배치

해당 없음

GPU·TPU-시간

미공개

파인튜닝

과제별: GPU·배치·시간 미공개; 1000 에폭(비교 ACT는 2000)

데이터 종류

시뮬레이션·합성; 실로봇 텔레옵

데이터 규모

Adroit·MetaWorld 과제당 10데모, DexArt 100; 실제 과제당 50데모

주요 데이터셋

Adroit; DexArt; MetaWorld; 자체 Flexiv 데이터

태스크·평가

시뮬 Adroit, DexArt, MetaWorld; 실제 Put Bread into Pot, Open Drawer, Pour Balls, Flower Arrangement

로봇

Flexiv Rizon + Robotiq 2F-85

추론

추론 장치·속도

ACT와 비슷한 속도, DP 대비 약 10배; 실제 실험 i9-10980XE + RTX 2080 Ti

추론 메모리

미공개

가중치 bf16 (계산)

미공개

실행 위치

로컬 PC

강화학습 · 베이스

강화학습

미사용 · 모방학습(행동 복제)만 사용

베이스 제어

고정 · 베이스 제어 없음 (Flexiv 팔)

비고

핵심 특징

인코더 전용 트랜스포머로 행동열을 양방향 조밀 확장해 로그 시간에 생성한다. DP보다 파라미터가 9.19M 많지만 추론은 약 10배 빠르다.

비고

파라미터 절대값은 본문에 없고 그림 9가 행동 헤드 파라미터를 비교.

검증

확인