ナビゲーション用の視覚-言語-行動（VLA）ポリシーは、次のコマンドが前回と変わらない場合でも、高コストな意味推論を繰り返し呼び出してしまう。直進が続くような場面ではこの重複計算が大きな負担となる。Vieri N. AkustiaとBin Huによる論文は、基礎ポリシーを変更せずにこの無駄を削減する手法ASPENを提案している。
ASPENの中心となる考え方は「コマンド持続性予測」である。与えられたコマンド境界において、凍結された基礎ポリシーが前回と同じコマンドを再び出力するかどうかを見積もる。持続すると予測されれば既存のコマンドを再利用し、変化しそうであれば通常どおりVLAによる新たな意味推論を起動する。これにより、指示に依存する旋回や停止といった事象が起こり得る時だけ、完全な推論コストを支払うことになる。
実装上、ASPENはVLA自体を再学習するのではなく、イベント駆動型のスケジューラとして機能する。軽量なマルチモーダル予測器を備え、時間的な観測、言語指示、実行履歴、キャッシュされたVLAの信頼度を組み合わせてコマンド持続性を判断する。スケジューリングは条件を満たすコマンド境界でのみ発動するため、任意のタイミングでポリシーの実行フローを乱すことはない。
著者らはクロスデータセットのRxR-CE val-unseen分割において、凍結したNaVILAを基礎ポリシーとして評価した。その結果、VLA呼び出し回数を9.5%、推定推論時間を8.1%削減し、この数値にはスケジューリング自体のオーバーヘッドも含まれている。ナビゲーション性能はベースラインと同等であり、92.1%のエピソードでベースラインと完全に同一の行動系列を維持した。計算削減が行動の大きな変化を伴わないことを示している。
本論文はロボティクス（cs.RO）分野に属し、arXiv:2610.36285として2026年10月26日に投稿された。基礎モデルから切り離された効率化の道筋を示す点に意義があり、VLAの変更や微調整なしに、外部スケジューリングによって元の挙動を保ちながら意味推論の回数を減らせる。ただし、予測器がコマンド変化を適切に検知できなければ、指示に依存する旋回や停止を見逃す恐れがある。この再利用手法が常に抱えるトレードオフであり、予測精度が実用上の鍵となる。