💻 computer science

Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward

Diese Arbeit stellt zwei modellunabhängige Methoden vor, um Vision-Language-Action-Modelle durch die Integration von Geschwindigkeits-Vorsteuerungstermen (sowohl über Finite-Differenzen als auch über kubische B-Splines) für den Einsatz auf starren Industrierobotern zu optimieren, wodurch der Zielkonflikt zwischen Nachgiebigkeit und Reaktionsfähigkeit gelöst und die Leistung bei kontaktintensiven Aufgaben erheblich verbessert wird.

Ursprüngliche Autoren: Johannes Hechtl, Philipp Schmitt, Georg von Wichert, Wolfram Burgard

Veröffentlicht 2026-03-18

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Johannes Hechtl, Philipp Schmitt, Georg von Wichert, Wolfram Burgard

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stell dir vor, du möchtest einen Roboterarm so programmieren, dass er wie ein geschickter Handwerker arbeitet: Er soll schnell von A nach B fliegen (wie ein Paketbote), aber gleichzeitig so vorsichtig sein, dass er eine fragile Tasse nicht zerbricht, wenn er sie greift.

Das ist das große Problem, das in diesem Papier gelöst wird. Hier ist die Erklärung in einfachen Worten, mit ein paar anschaulichen Vergleichen.

Das Problem: Der "Zitternde" Roboter

Bisher waren Roboter, die durch KI gesteuert werden (sogenannte "Vision-Language-Action"-Modelle), wie ein Schüler, der nur alle paar Sekunden einen neuen Befehl bekommt.

Die alte Methode: Der Roboter sagt: "Ich bin jetzt hier." (Punkt A). Dann wartet er 1/60 Sekunde. Dann sagt er: "Ich bin jetzt dort." (Punkt B).
Das Problem: Der Roboter weiß nicht, wie schnell er von A nach B fliegen soll. Er muss sich das selbst ausdenken.
Die Folge: Um genau zu sein, muss der Roboter sehr "steif" sein (wie ein starrer Stab). Wenn er aber zu steif ist, zertrümmert er Dinge bei Berührung. Wenn er "weich" ist (um Dinge zu schützen), hinkt er hinterher und ist langsam. Es ist ein Dilemma: Schnelligkeit vs. Vorsicht.

Die Lösung: Dem Roboter den "Takt" vorgeben

Die Autoren sagen: "Halt! Wir geben dem Roboter nicht nur das Ziel, sondern auch die Geschwindigkeit vor."

Stell dir vor, du fährst mit dem Auto.

Ohne Geschwindigkeitsangabe: Du sagst deinem Beifahrer nur: "Fahre zum Bahnhof." Der Beifahrer (der Roboter) muss raten, wie schnell er fahren soll. Er zögert, bremst unnötig oder fährt zu ruckartig.
Mit Geschwindigkeitsangabe (die neue Methode): Du sagst: "Fahre zum Bahnhof mit 50 km/h." Der Beifahrer weiß genau, was zu tun ist. Er kann flüssig fahren, ohne zu zögern.

Das Papier stellt zwei neue Wege vor, wie man dem Roboter diese Geschwindigkeit gibt:

Methode 1: Der "Schritt-für-Schritt"-Trick (Finite Difference)

Das ist der einfache, schnelle Weg.

Wie es funktioniert: Der Roboter bekommt immer noch nur Punkte (A, B, C). Aber das System schaut sich einfach an: "Wie weit war der Punkt vor einer Sekunde? Wie weit ist er jetzt?" Daraus rechnet es die Geschwindigkeit aus.
Der Vergleich: Es ist wie beim Laufen. Du siehst nur die Fußabdrücke auf dem Boden. Wenn du weißt, wo der linke Fuß vor einer Sekunde war und wo er jetzt ist, kannst du ganz gut abschätzen, wie schnell die Person gelaufen ist.
Vorteil: Es funktioniert sofort mit fast jedem bestehenden Roboter-Modell und macht die Aufgaben deutlich schneller.

Methode 2: Der "Seil-Verlauf" (Cubic B-Spline)

Das ist die elegante, glatte Methode.

Wie es funktioniert: Statt einzelne Punkte zu nennen, zeichnet der Roboter eine unsichtbare, glatte Kurve (wie ein Seil, das durch Stäbe gezogen wird). Er sagt nicht nur "Punkt A", sondern "Ich folge dieser perfekten Kurve".
Der Vergleich: Stell dir vor, du zeichnest mit einem Lineal und einem Bogen statt mit einem Punkt-zu-Punkt-Stift. Die Linie ist von Anfang an perfekt rund. Der Roboter weiß sofort, wie schnell er an jeder Stelle der Kurve fahren muss, weil die Kurve mathematisch perfekt berechnet ist.
Vorteil: Die Bewegung ist extrem flüssig und sanft. Das ist super für Aufgaben, bei denen es auf Millimeter ankommt (wie das Einführen eines Würfels in ein Loch).

Was haben sie herausgefunden?

Die Forscher haben diese Methoden an einem strengen Test geprüft: Ein Würfel muss in ein Loch mit nur 1 Millimeter Spielraum eingeführt werden.

Schnelligkeit: Wenn man dem Roboter die Geschwindigkeit sagt (Methode 1), ist er viel schneller. Er fliegt schneller zum Loch, ohne zu zögern.
Vorsicht: Wenn man die glatte Kurve nutzt (Methode 2), ist er zwar nicht der absolute Schnellste, aber er ist sehr präzise und macht weniger Fehler beim Einfügen, weil er nicht ruckelt.
Der wichtigste Punkt: Man kann beides haben! Man muss nicht mehr zwischen "schnell und steif" oder "langsam und vorsichtig" wählen. Durch die Geschwindigkeitsangabe kann der Roboter schnell fliegen und trotzdem sanft berühren.

Fazit für den Alltag

Früher mussten Roboter in Fabriken entweder wie ein stumpfer Hammer sein (schnell, aber unflexibel) oder wie ein langsamer, vorsichtiger Greifarm.

Diese neue Technik ist wie ein guter Lehrer, der dem Roboter nicht nur sagt, wohin er soll, sondern ihm auch den Rhythmus vorgibt. Dadurch wird der Roboter nicht nur schneller, sondern auch sicherer und geschickter – genau wie ein erfahrener Handwerker, der weiß, wann er zügig arbeiten kann und wann er sanft sein muss.

Das Tolle ist: Man muss den Roboter selbst nicht umbauen. Man ändert nur, wie man ihm die Befehle gibt (die "Sprache"), und schon wird er besser.

1. Problemstellung

Vision-Language-Action (VLA) Modelle haben vielversprechende Ergebnisse bei der robotischen Manipulation gezeigt, doch ihre Anwendung auf steife Industrieroboter (z. B. Franka Emika, Kuka, UR) bleibt herausfordernd. Das Kernproblem liegt im inhärenten Zielkonflikt zwischen Compliance (Nachgiebigkeit für sichere Kontaktaufnahme) und Responsivität (schnelle, präzise Verfolgung von Trajektorien).

Der aktuelle Stand: Standard-Verhaltensklonierung (Behavior Cloning, BC) sagt typischerweise nur diskrete Zielpositionen ( $x_d$ ) mit niedriger Frequenz voraus.
Die Lücke: Niedriglevel-Compliance-Controller (wie Impedanz- oder Admittanz-Regler) benötigen für eine optimale Leistung nicht nur eine Zielposition, sondern auch Vorsteuerungsterme für Geschwindigkeit ( $\dot{x}_d$ ) und Beschleunigung ( $\ddot{x}_d$ ).
Die Konsequenz: Ohne diese Vorsteuerungstern muss der Regler zur Minimierung des Positionsfehlers (Lag) auf hohe Steifigkeit setzen, was die Compliance opfert. Umgekehrt führt niedrige Steifigkeit zu großen Verfolgungsfehlern. Bestehende Ansätze setzen oft $\dot{x}_d = 0$ , was zu einer inhärenten Verzögerung führt und die Ausführungsgeschwindigkeit in industriellen Umgebungen limitiert.

2. Methodik

Die Autoren schlagen vor, die VLA-Policies so zu erweitern, dass sie explizit Geschwindigkeitsvorsteuerungsterme bereitstellen. Sie präsentieren zwei model-agnostische Methoden, die keine Änderungen an der neuronalen Netzarchitektur erfordern, sondern nur Anpassungen in der Datenerfassung, -verarbeitung und im Low-Level-Controller:

A. Zeit-diskrete Geschwindigkeitsapproximation (Finite-Difference)

Prinzip: Die VLA sagt weiterhin diskrete Positionen voraus. Die Geschwindigkeit wird während der Inferenz durch eine Finite-Differenzen-Näherung zwischen aufeinanderfolgenden Positionsvorhersagen berechnet: $\dot{x}_t \approx (x_t - x_{t-1}) / \Delta t$ .
Vorteil: Dies dient als effektive Brücke für bestehende, positionsbasierte VLA-Modelle. Es erfordert nur minimale Änderungen im Datenpipeline- und Controller-Code.
Nachteil: Erzeugt stückweise konstante Geschwindigkeitsprofile mit potenziellen kleinen Diskontinuitäten.

B. Zeit-kontinuierlicher Aktionsraum (Cubic B-Spline)

Prinzip: Statt diskreter Punkte sagt das Modell Kontrollpunkte für eine kubische B-Spline-Kurve voraus.
Vorteil: Die resultierende Trajektorie ist analytisch definiert und besitzt $C^2$ -Stetigkeit (stetige Position, Geschwindigkeit und Beschleunigung). Der Low-Level-Controller kann Geschwindigkeit und Beschleunigung zu jedem beliebigen Zeitpunkt $t$ durch Ableitung der Basisfunktionen exakt berechnen.
Datenaufbereitung: Rohdaten aus der Teleoperation werden offline durch Least-Squares-Optimierung in B-Spline-Kontrollpunkte umgewandelt, um ein Standard-Imitationslern-Dataset zu erstellen.

C. Regelungsansatz

Der Ansatz nutzt einen aktiven kartesischen Admittanz-Controller, der die gewünschte Dynamik eines Masse-Feder-Dämpfer-Systems simuliert. Die Vorsteuerungsterme ( $\dot{x}_d, \ddot{x}_d$ ) werden direkt in die Reglergleichung integriert, um den Tracking-Fehler zu minimieren, ohne die Steifigkeit erhöhen zu müssen.

3. Wichtige Beiträge

Nachweis der Notwendigkeit: Es wird demonstriert, dass die Integration von Geschwindigkeitsvorsteuerung in VLA-Policies die Ausführungsgeschwindigkeit steigert, ohne die für kontaktreiche Aufgaben notwendige Compliance zu opfern.
Diskrete Approximation: Eine einfach zu implementierende Methode (Finite-Difference), die bestehende VLA-Architekturen sofort für geschwindigkeitsbewusste Controller nutzbar macht.
Kontinuierlicher B-Spline-Aktionsraum: Eine neue Darstellung, die native $C^2$ -kontinuierliche Trajektorien ermöglicht und eine glatte Ableitung höherer Ordnungen für Hochfrequenz-Regelung erlaubt.
Model-Agnostizität: Beide Methoden sind kompatibel mit jeder Standard-Aktions-Chunking-Architektur und erfordern keine Änderung des neuronalen Netzwerks selbst.

4. Ergebnisse

Die Methoden wurden an einem anspruchsvollen „Cube-in-Hole"-Aufgabe (Einsetzen eines Würfels in ein Loch mit nur 1 mm Toleranz) auf Universal Robots (UR) evaluiert.

Teleoperation (Datenerfassung):
- Die Verwendung eines geschwindigkeitsbewussten Controllers während der Datenerfassung führte zu signifikant kürzeren Aufgabenabschlusszeiten im Vergleich zur positionsbasierten Basislinie (p < 0.001).
- Operatoren konnten schnellere Transferbewegungen ausführen, da sie nicht gegen die inhärente Verzögerung des Controllers ankämpfen mussten.
Policy-Ausführung (Rollout):
- Finite-Difference-Methode: Zeigte die schnellste Ausführung (mittlere Zeit: 6,05 s) und übertraf die Baseline (7,35 s) signifikant.
- Cubic B-Spline: Erzielte eine hohe Gesamterfolgsrate (79,20 %), war jedoch in der Ausführungsgeschwindigkeit (7,45 s) statistisch nicht signifikant besser als die Baseline. Die Autoren führen dies auf Rest-Diskontinuitäten durch „Real-Time Chunking" (RTC) zurück, die zu ruckartigen Bewegungen führen. Diese Ruckbewegungen halfen jedoch paradoxerweise, den Würfel trotz der 1-mm-Toleranz in das Loch zu „wackeln", was die Erfolgsrate erhöhte.
- Ablationsstudie: Ein Modell, das mit Geschwindigkeitsdaten trainiert, aber mit einem reinen Positions-Controller ausgeführt wurde, zeigte die schlechteste Performance (10,01 s). Dies unterstreicht die Notwendigkeit, Inferenz- und Trainingsbedingungen (Vorsteuerungsterme) konsistent zu halten.

5. Bedeutung und Ausblick

Dieses Paper adressiert eine kritische Lücke für den industriellen Einsatz von VLA-Modellen. Es zeigt, dass die reine Positionsregelung für steife Industrieroboter suboptimal ist und dass die explizite Bereitstellung von Geschwindigkeitsvorsteuerung den Trade-off zwischen Geschwindigkeit und Sicherheit auflösen kann.

Praktische Relevanz: Die vorgeschlagenen Methoden ermöglichen es, bestehende VLA-Modelle (wie $\pi_0.5$ ) ohne Architekturänderungen für Hochgeschwindigkeits- und Kontaktaufgaben auf steifen Robotern einzusetzen.
Zukunft: Die Autoren planen, die Integration von Beschleunigungsvorsteuerung ( $\ddot{x}_d$ ) zu erforschen. Die kubischen B-Splines bieten hierfür aufgrund ihrer garantierten $C^2$ -Stetigkeit eine vielversprechende Grundlage, um Rauschen bei der zweiten Differentiation zu vermeiden und stabile Hochgeschwindigkeits-Manipulation zu ermöglichen.