Resumen Técnico: REIS – Eliminación de Redundancia para Sistemas de Inferencia Eficientes

Planteamiento del Problema

Las políticas robóticas recientes que aprovechan Modelos de Lenguaje de Gran Escala (LLM) y Modelos de Lenguaje-Visión (VLM) han demostrado una planificación semántica y generalización superiores mediante paradigmas de "razonamiento y acción" (p. ej., CoT-VLA, DiffusionVLA). Sin embargo, estos enfoques de razonamiento intensivo sufren de una alta latencia de inferencia, lo que a menudo entra en conflicto con las estrictas restricciones de tiempo real (10–100 ms) requeridas para el control robótico. Las soluciones existentes, como las arquitecturas jerárquicas o de doble proceso, intentan separar el razonamiento semántico lento de la generación de acciones de bajo nivel rápida. Aunque son efectivas, estos métodos tratan la latencia de razonamiento como un costo inevitable, creando un compromiso frágil donde las actualizaciones frecuentes de razonamiento niegan los beneficios de la latencia, mientras que las actualizaciones infrecuentes conducen a una comprensión contextual obsoleta.

Los autores identifican que el cuello de botella principal no es la generación de acciones en sí, sino la redundancia temporal en el proceso de razonamiento. En entornos dinámicos, las observaciones consecutivas frecuentemente producen acciones y subobjetivos idénticos, sin embargo, los pipelines estándar vuelven a inferir estos estados desde cero. Esta redundancia causa que las observaciones se vuelvan obsoletas antes de la ejecución, reduciendo paradójicamente la reactividad y la robustez.

Metodología: Marco de Trabajo REIS

Para abordar esto, los autores proponen REIS (Redundancy Elimination for Inference-efficient Systems), un marco de trabajo de doble proceso inspirado en la cognición humana, que minimiza el razonamiento innecesario preservando la adaptabilidad semántica. La arquitectura separa la toma de decisiones en dos sistemas distintos:

Sistema Uno: Toma de Decisiones Intuitiva Rápida

El Sistema Uno opera de forma asíncrona a la tasa de fotogramas para evitar la inferencia pesada cuando el entorno es estable. Consta de dos componentes:

1. EMA-HSVS (Ego-Motion Aware Head-Selective Visual Similarity): Un mecanismo de filtrado de escena ligero. En lugar de procesar todas las características visuales, selecciona cabezales de transformador específicos sensibles a las variaciones geométricas. Calcula la similitud de coseno entre el fotograma actual y el último disparador de inferencia, tras aplicar un "Auto-Máscara" para filtrar las diferencias de píxeles inducidas por el movimiento del brazo del robot. El Sistema Dos solo se invoca si la similitud cae por debajo de un umbral predefinido, indicando un cambio estructural en la escena.
2. KV-Steered Affordance Router: Un mecanismo para verificar el progreso del subobjetivo y la validez de la acción sin un razonamiento autoregresivo completo. Inyecta vectores de dirección precomputados (derivados de la diferencia entre los estados KV ricos en razonamiento y los que contienen solo etiquetas) en los estados Key-Value (KV) cacheados del modelo. Esto sesga al modelo hacia decisiones de aptitud (affordance) deterministas (p. ej., "mantener acción actual" o "avanzar subobjetivo") con cero sobrecarga de generación de tokens.

El Sistema Dos ejecuta el razonamiento semántico de alto nivel y la replanificación de múltiples pasos solo cuando es escalado por el Sistema Uno (p. ej., durante estados ambiguos, fallos o cambios estructurales significativos). Comprende:

• Razonamiento Deliberativo en Línea: Genera subobjetivos de alto nivel y acciones de bajo nivel.
• Síntesis de Lógica Anticipatoria Offline: Construye los tensores de dirección KV utilizados por el Sistema Uno. Esto implica simular pares de trayectorias positivas (ricas en razonamiento) y negativas (solo con etiquetas) para computar las diferencias medias elemento a elemento en los estados KV, creando vectores de dirección que guían las decisiones de enrutamiento del Sistema Uno.

El marco se adapta a las modalidades de la tarea: para navegación, el EMA-HSVS filtra activamente el ruido visual macro; para manipulación, el EMA-HSVS se desactiva para mantener la sensibilidad a los cambios locales a nivel de objeto, confiando en su lugar en el Affordance Router.

Contribuciones Clave

1. Selección de Cabezales de Codificador Visual Ligero: Un método para podar tokens visuales redundantes mediante la identificación y utilización de solo los cabezales de transformador más sensibles a las variaciones geométricas, permitiendo una percepción eficiente.
2. Mecanismo de Inferencia Inspirado en el Efecto de Primado (Priming Effect): Un enfoque novedoso que aprovecha el contexto histórico mediante la dirección del caché KV para evitar pasos de razonamiento redundantes, acelerando el control robótico basado en LM sin sacrificar la adaptabilidad contextual.
3. Validación Exhaustiva: Demostración del marco a través de diversos modelos de base (Qwen-3-VL, DeepThink) y pipelines (navegación y manipulación), mostrando reducciones sustanciales de latencia con un impacto mínimo en el éxito de la tarea tanto en simulación (ALFRED) como en entornos del mundo real.

Resultados Experimentales

El marco fue evaluado en una NVIDIA Jetson Orin NX (16GB) utilizando los modelos Qwen-3-VL (4B) y DeepThink (3B).

• Compromiso entre Eficiencia y Precisión: REIS logró una aceleración de ejecución promedio de 15.09× en las tareas, incurriendo en solo una degradación del 3.73% en la precisión del episodio en comparación con un baseline ingenuo que infiere en cada fotograma.
  • Navegación: Logró una aceleración de 27.35× (0.641 de precisión frente a 0.680 del baseline) al suprimir la redundancia durante movimientos de largo alcance.
  • Manipulación: Logró una aceleración de 2.34× (0.729 de precisión frente a 0.760 del baseline).
  • Benchmark ALFRED: Logró una aceleración de 15.58× (0.512 de precisión frente a 0.554 del baseline).
• Reducción de Latencia: El Affordance Router redujo la latencia de inferencia de 43.59 segundos (razonamiento autoregresivo) a 406.21 ms (enrutamiento dirigido por KV), mejorando simultáneamente la precisión de clasificación de ~0.75 a 0.913.
• Detección de Fallos: En tareas de manipulación, REIS redujo la latencia de detección de fallos a 0.933 ± 0.874 s, una mejora de 2.21× sobre las arquitecturas periódicas que sufren de generación de bloqueo autoregresivo.
• Precisión de Disparo (Trigger Precision): El módulo EMA-HSVS logró más del 97% de recall para transiciones de estado reales y un 94.6% de precisión en el filtrado de fotogramas redundantes.

Significancia y Reivindicaciones

El artículo afirma que REIS demuestra que la continuidad temporal puede tratarse como un activo en lugar de una carga computacional. Al minimizar directamente el razonamiento innecesario en lugar de desacoplarlo de la acción, los sistemas robóticos pueden mantener un bucle de razonamiento activo sin sacrificar la reactividad en tiempo real.

Los autores enfatizan que su enfoque:

• Elimina la Redundancia: Prueba que el razonamiento continuo por fotograma es a menudo innecesario, ya que las actualizaciones significativas ocurren principalmente en las transiciones estructurales.
• Permite el Despliegue en el Borde (Edge): Ejecuta con éxito políticas basadas en razonamiento complejo en hardware con recursos limitados (Jetson Orin NX) al reducir la huella computacional a 10–12 GB.
• Utilidad Zero-Shot: Logra estas ganancias utilizando modelos de base comerciales sin requerir el ajuste fino (fine-tuning) de la tarea para los mecanismos de enrutamiento, basándose en su lugar en la síntesis offline de los vectores de dirección.

El trabajo sugiere un cambio en la filosofía de diseño para la IA Corpórea (Embodied AI): pasar de "razonar en cada paso" a "razonar solo cuando sea necesario", resolviendo así el conflicto entre la riqueza semántica y el control en tiempo real.