[논문리뷰] Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies

링크: 논문 PDF로 바로 열기

저자: Zhixuan Liang, Yizhuo Li, Tianshuo Yang, Chengyue Wu, Sitong Mao, Jiangmiao Pang, Yao Mu, Ping Luo

핵심 연구 목표

본 논문은 기존 Vision-Language-Action (VLA) 모델 디코더의 한계(고정된 순서의 autoregressive 생성 또는 continuous diffusion /flow matching 헤드의 백본 분리)를 해결하고자 합니다. 통일되고 확장 가능한 아키텍처를 위해 이산 확산을 이용한 로봇 동작 디코딩을 목표로 하며, VLM 백본과 동일한 cross-entropy 목적 함수 를 사용하여 일관된 학습 패러다임을 제안합니다.

핵심 방법론

제안하는 Discrete Diffusion VLA 는 단일 Transformer 아키텍처 를 사용하여 이미지, 언어 및 이산화된 동작 토큰 청크를 동시에 처리합니다. 동작 차원은 바인딩(binning) 방식 으로 이산화된 토큰으로 변환되며, 이 토큰들을 대상으로 이산 확산(discrete diffusion) 을 적용하여 동작을 생성합니다. 특히, "first-easy, then-hard" 철학에 따라 불확실한 예측을 반복적으로 재검토하는 적응형 재마스킹(adaptive re-masking) 전략과 보조 재마스킹(secondary re-masking) 기법을 통해 일관성과 오류 수정을 강화합니다.

주요 결과

LIBERO 벤치마크에서 평균 96.3%의 성공률(SR) 을 달성하여 OpenVLA-OFT (Discrete) 대비 0.9% 향상된 성능을 보였습니다. SimplerEnv-Fractal 에서는 71.2%의 시각적 일치 를, SimplerEnv-Bridge 에서는 49.3%의 전체 성공률 을 기록하여 autoregressive 및 continuous diffusion 기반 모델들을 일관적으로 능가했습니다. 또한, 함수 평가 횟수(NFEs) 를 Autoregressive 방식보다 크게 줄여 추론 효율성을 개선했습니다.

AI 실무자를 위한 시사점

Discrete Diffusion VLA 는 Vision-Language-Action 정책을 위한 통일된 Transformer 아키텍처를 제시하여, VLM의 사전 학습된 지식을 효과적으로 활용하면서도 확장성과 안정성을 높였습니다. 병렬 디코딩 및 적응형 재마스킹 을 통해 Autoregressive 모델 의 순차적 병목 현상을 해소하고, 복잡한 로봇 작업에서의 오류 복구 능력을 강화했습니다. 다만, 고정된 빈(bin) 기반의 동작 토큰화 가 연속 제어의 미세한 정밀도를 제한할 수 있다는 점은 향후 개선 과제로 보입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.