LiteVLA-Hは、ドローン搭載向けに設計されたコンパクトな視覚言語行動（VLA）モデルであり、パラメータ数は2億5600万と小規模でありながら、NVIDIA Jetson AGX Orin上で動作可能です。これまでのVLAモデルは主にマニピュレーションタスクで成功を収めてきましたが、空中ロボットには低遅延の閉ループ制御が求められ、かつ搭載計算資源と通信帯域に厳しい制約があります。この課題に対し、本研究ではデュアルレート推論スケジューリングという手法を提案しています。
このモデルは高速アウターループ誘導モードと低速セマンティックモードの2つの動作モードを備えています。誘導モードでは50.65ミリ秒（約19.74Hz）で短いアクショントークンを出力し、ドローンのリアルタイム飛行制御を行います。セマンティックモードでは149.90～164.57ミリ秒（6.08～6.67Hz）で文レベルの記述を生成し、シーン理解や危険報告、オペレーターとの対話に使用されます。実験の結果、このコンパクトなエッジ環境では、エンドツーエンドのレイテンシは主にマルチモーダルプリフィルによって支配され、追加トークンのデコードコストは比較的小さいことが示されました。測定により、プリフィルフェーズが大部分の時間を占め、追加トークン生成の時間はほぼ無視できることが確認され、スケジューラ設計の重要な根拠となっています。
特化と汎用性のバランスを保つため、研究チームは知識保存型のファインチューニング手法を採用しました。リアクティブ飛行データ、航空セマンティックデータ、そして一般的なキャプション/VQAデータを混合したデータセットを構築し、マルチタスク学習により飛行スキルを獲得しつつもシーンの意味理解能力を失わないようにしています。これにより、破滅的忘却を効果的に回避しています。AnywhereVLA、FutureVLA、ReMem-VLAといった最新アーキテクチャとの比較実験では、LiteVLA-Hのアクションブランチがより高いエッジ推論速度を達成し、定期的なセマンティック認識を維持できることが示されました。動作推論速度は大幅に向上し、意味出力の品質はこれらのモデルと同等です。
LiteVLA-Hの成果は、適切なデュアルレートスケジューリングとファインチューニング戦略により、VLAモデルを空中ロボット分野に効果的に拡張できることを示しています。この研究は、将来のドローンが複雑な環境で自律航法とインテリジェントな認識を実現するための実行可能な技術経路を提供し、コンパクトなVLAモデルのエッジデバイス上での大きな応用可能性を明らかにしています。