NVIDIA lanza la tecnología VFlash, que acelera la velocidad de decodificación de trayectorias robóticas hasta 12 veces, reduciendo el error de predicción en un 61%.

·por Henderson·Engineering
NVIDIA lanza la tecnología VFlash, que acelera la velocidad de decodificación de trayectorias robóticas hasta 12 veces, reduciendo el error de predicción en un 61%.
Puntos clave
  • La tecnología VFlash puede acelerar la decodificación de trayectorias robóticas hasta 12 veces, reduciendo el error de predicción en un 61%.
  • VFlash permite generar trayectorias robóticas completas en un solo proceso, mejorando la eficiencia.
  • En las pruebas, VFlash reduce significativamente la latencia de inferencia, mejorando la velocidad de respuesta de los robots.
  • La investigación también explora la aplicación de VFlash en la conducción autónoma, mostrando su potencial.

Investigadores de NVIDIA han desarrollado un nuevo método de planificación visual que puede acelerar la decodificación de trayectorias robóticas hasta 12 veces, al mismo tiempo que reduce el error de predicción de trayectorias tridimensionales en hasta un 61% en pruebas específicas. Este método, denominado VFlash, permite a los modelos de lenguaje visual (VLMs) generar trayectorias robóticas completas y otras predicciones espaciales en un único proceso, en lugar de generar coordenadas de forma secuencial. En las pruebas de operación robótica, VFlash también redujo la latencia de inferencia en aproximadamente un 80% en las plataformas NVIDIA Jetson Thor y DGX Spark, lo que tiene el potencial de ayudar a los robots a reaccionar más rápidamente a entornos cambiantes.

Ventajas de la tecnología VFlash

Esta investigación aborda una limitación de los VLMs tradicionales, que generalmente generan predicciones espaciales coordenada por coordenada. A medida que los robots necesitan predecir trayectorias más largas, rastrear más objetos y manejar información espacial más detallada, este enfoque secuencial puede aumentar el tiempo de procesamiento. VFlash utiliza estructuras de predicción visual conocidas para generar toda la geometría de un objeto o trayectoria en un único pase hacia adelante.

En las pruebas de operación robótica, los investigadores informaron que la latencia de inferencia de VFlash en la plataforma NVIDIA Jetson Thor se redujo de 3,552.7 milisegundos a 703.3 milisegundos. Esto representa una reducción de aproximadamente el 80% en comparación con la decodificación autorregresiva tradicional. En el hardware DGX Spark, la latencia disminuyó de 3,356.5 milisegundos a 649.9 milisegundos. El funcionamiento de VFlash consiste en identificar primero la estructura de la predicción visual solicitada y luego generar sus coordenadas.

Por ejemplo, los cuadros delimitadores tienen un diseño de coordenadas fijo, mientras que las trayectorias pueden incluir una cantidad variable de puntos bidimensionales y tridimensionales. El modelo utiliza un esbozador de difusión ligero para predecir conjuntamente estas coordenadas en un único pase hacia adelante. A diferencia de la decodificación especulativa tradicional, que requiere verificar individualmente la correspondencia de las etiquetas generadas con el modelo objetivo, VFlash puede aceptar predicciones visuales estructuralmente válidas sin necesidad de consistencia en cada etiqueta.

Los investigadores evaluaron VFlash en múltiples tareas de predicción de trayectorias robóticas bidimensionales y tridimensionales. En comparación con los métodos básicos basados en autorregresión, este enfoque redujo el error de predicción en múltiples pruebas. En las pruebas de trayectorias tridimensionales, según el conjunto de datos y la configuración de entrenamiento, logró reducir el error de desplazamiento medio en hasta un 61%. Los investigadores también probaron VFlash en la predicción de movimiento de puntos 3D, donde el método predijo el movimiento futuro de objetos en fotogramas de video. Las mediciones iniciales de rodaje único mostraron que la velocidad de generación era aproximadamente 25 veces más rápida que la decodificación autorregresiva.

Aplicaciones de VFlash en conducción autónoma

Los investigadores también exploraron si las predicciones visuales más rápidas podrían mejorar el rendimiento de los sistemas de control robótico en etapas posteriores. Conectaron las trayectorias generadas por VFlash a un modelo de acción mundial evaluado en MolmoSpaces, que alcanzó una tasa de éxito promedio del 70.2% en cuatro conjuntos de tareas, mientras que el sistema base tuvo una tasa de éxito del 62.6%. La mayor mejora se observó en las tareas de recogida y colocación, así como en las de cierre de objetos, donde las tasas de éxito aumentaron en 11.6 y 12.8 puntos porcentuales, respectivamente. Además de la tecnología robótica, los investigadores también probaron la aplicación de VFlash en conducción autónoma utilizando los conjuntos de datos de NAVSIM y Waymo.

Las trayectorias de conducción generadas por el modelo son competitivas en rendimiento de referencia, y el aprendizaje reforzado mejora aún más sus resultados de planificación. Estos hallazgos sugieren que generar planes visuales detallados de manera más eficiente podría ayudar a los sistemas de IA física a responder más rápidamente a entornos cambiantes, manteniendo la precisión espacial. Esta investigación, titulada "VFlash: Fast, Accurate Visual Planning via Flash Primitive Decoding", fue publicada en noviembre de 2026 por investigadores de NVIDIA y sus colaboradores.

Impacto de VFlash en la tecnología robótica

El lanzamiento de la tecnología VFlash marca un avance significativo en la planificación visual robótica, capaz de mejorar notablemente la capacidad de respuesta de los robots ante su entorno. A medida que aumenta la demanda de aplicaciones robóticas, la capacidad de generar trayectorias de manera rápida y precisa es crucial para mejorar el rendimiento de los robots. VFlash no solo ha demostrado un rendimiento excepcional en operaciones robóticas, sino que también muestra un valor potencial en el campo de la conducción autónoma, lo que podría transformar el diseño e implementación de futuros sistemas de conducción autónoma.

H
Sobre el autor
Henderson