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

Título: Habilitación del Seguimiento Dinámico en Modelos Visión-Lenguaje-Acción (VLA) mediante Alimentación de Velocidad Discreta y Continua en el Tiempo

1. Planteamiento del Problema

Los modelos Visión-Lenguaje-Acción (VLA) han demostrado un gran potencial para la manipulación robótica generalista. Sin embargo, su despliegue en robots industriales rígidos (como los brazos de Franka, Kuka o Universal Robots) enfrenta un desafío fundamental: la compensación entre cumplimiento (compliance) y capacidad de respuesta (responsiveness).

• Limitación actual: Los enfoques estándar de Clonación de Comportamiento (BC) predicen poses discretas a bajas frecuencias (ej. 15-60 Hz), omitiendo los términos de alimentación de velocidad ($\dot{x}_d$) y aceleración ($\ddot{x}_d$) que requieren los controladores de bajo nivel (como controladores de impedancia o admitancia).
• La compensación: Sin estos términos de alimentación, el controlador debe depender exclusivamente del término de rigidez proporcional al error de posición para realizar el seguimiento. Esto fuerza una disyuntiva:
  • Aumentar la rigidez para reducir el error de seguimiento (lag), lo que sacrifica el cumplimiento y hace peligroso el contacto.
  • Mantener baja rigidez para permitir interacciones seguras, lo que resulta en un gran error de seguimiento y limita la velocidad de ejecución.
• Consecuencia: Esta latencia inherente limita la viabilidad industrial, donde la velocidad de ejecución (throughput) es crítica, y dificulta tareas de contacto rico que requieren tanto precisión como suavidad.

2. Metodología

El artículo propone integrar explícitamente términos de alimentación de velocidad en las políticas VLA para resolver esta compensación. Se presentan dos métodos para extraer objetivos de velocidad a partir de las predicciones del modelo, ambos agnósticos al modelo y compatibles con arquitecturas de "chunks" de acción estándar:

• A. Aproximación de Velocidad Discreta en el Tiempo (Método 1):

  • Utiliza una diferencia finita entre las poses discretas predichas consecutivamente por el modelo ($\dot{x}_t \approx (x_t - x_{t-1})/\Delta t$).
  • Actúa como un puente eficaz para modelos VLA existentes que solo predicen posiciones.
  • Genera perfiles de velocidad constantes por tramos (piecewise-constant), lo que puede introducir discontinuidades menores, pero es fácil de implementar.

• B. Espacio de Acción Continuo con B-Splines Cúbicas (Método 2):

  • Propone un nuevo espacio de acción donde el modelo predice puntos de control de una B-Spline cúbica en lugar de poses directas.
  • Esto genera trayectorias de referencia $C^2$ continuas (continuidad en posición, velocidad y aceleración) de forma nativa.
  • Permite derivar analíticamente la velocidad y aceleración en cualquier instante de tiempo a la frecuencia de control nativa (alta frecuencia), desacoplando la generación de acciones de baja frecuencia del control de alta frecuencia.

• Control de Bajo Nivel: Se utiliza un controlador de admitancia cartesiana que simula un sistema masa-resorte-amortiguador. La clave es que este controlador recibe no solo la posición deseada ($x_d$), sino también la velocidad deseada ($\dot{x}_d$) como término de alimentación, permitiendo un seguimiento preciso sin depender únicamente de la rigidez.

3. Contribuciones Clave

1. Demostración de Viabilidad: Se prueba que incorporar términos de alimentación de velocidad permite a las políticas VLA ejecutar movimientos más rápidos sin sacrificar el cumplimiento necesario para tareas de contacto.
2. Método Discreto (Puente): Una solución de aproximación por diferencias finitas que permite mejorar rápidamente modelos VLA existentes sin modificar su arquitectura interna.
3. Método Continuo (B-Splines): Una formulación de espacio de acción que garantiza trayectorias suaves y derivables analíticamente, facilitando el control de alto orden.
4. Evaluación Empírica: Se evalúa el impacto tanto en la teleoperación humana como en la ejecución de políticas aprendidas, demostrando la necesidad de alinear la estrategia de interpolación en la recolección de datos con la ejecución.

4. Resultados

Los experimentos se realizaron en una tarea exigente de "cubo en agujero" (cube-in-hole) con una tolerancia de 1mm, utilizando robots UR rígidos y el modelo VLA $\pi_0.5$.

• Teleoperación:

  • El uso de un controlador consciente de la velocidad redujo significativamente los tiempos de finalización de la tarea en todas las frecuencias de actualización (5Hz a 500Hz) en comparación con el enfoque solo de posición ($p < 0.001$).
  • Los operadores podían realizar movimientos de transferencia grandes y rápidos con mayor precisión, sin luchar contra el retraso del controlador.

• Ejecución de Políticas (Rollouts):

  • Diferencia Finita: Logró la mayor velocidad de ejecución (media de 6.05s), superando significativamente al baseline (7.35s). Fue el método más rápido y consistente.
  • B-Splines: Aunque mostró una tasa de éxito global alta (79.20%), tuvo un tiempo de ejecución medio ligeramente superior al baseline (7.45s) y mayor varianza. Los autores atribuyen esto a pequeños saltos residuales entre "chunks" que, paradójicamente, ayudaron a encontrar el agujero mediante movimientos de "vibración" durante la inserción.
  • Ablación (Desajuste): Un modelo entrenado con datos de velocidad pero ejecutado con un controlador solo de posición tuvo un rendimiento catastrófico (10.01s), demostrando que la coherencia entre la recolección de datos y la inferencia es crítica.

5. Significado e Impacto

Este trabajo es pionero en integrar explícitamente la alimentación de velocidad en formulaciones VLA para robots rígidos.

• Desbloqueo Industrial: Permite el uso de robots industriales de alto rendimiento en tareas delicadas de contacto, resolviendo el dilema entre seguridad (cumplimiento) y productividad (velocidad).
• Flexibilidad: Al ser agnóstico al modelo, estas técnicas pueden aplicarse a cualquier arquitectura VLA estándar (como RT-2, OpenVLA, etc.) modificando únicamente el pre/post-procesamiento de datos y el controlador de bajo nivel, sin reentrenar la red neuronal base.
• Futuro: Abre la puerta a la integración de alimentación de aceleración completa ($\ddot{x}_d$) para un control aún más dinámico, aprovechando la continuidad $C^2$ de las B-Splines para manejar el ruido inherente a la diferenciación doble.

En resumen, el artículo establece que para que los VLA funcionen eficazmente en entornos industriales reales, la representación de la acción debe ir más allá de la posición estática e incluir dinámicas de velocidad para permitir un control de impedancia robusto y rápido.