Resumen Técnico: ChainVLA

Declaración del Problema

La manipulación robótica de largo horizonte requiere un flujo de ejecución continuo donde las decisiones dependen tanto del progreso de la tarea establecido por acciones previas como de la continuación del movimiento de las acciones actualmente en curso. Las políticas de Visión-Lenguaje-Acción (VLA) existentes operan típicamente en un régimen de horizonte de retroceso con fragmentación de acciones (action-chunked). En este diseño, la política replanifica repetidamente a partir de la observación actual, el estado propioceptivo y la instrucción, prediciendo un horizonte de acción finito, ejecutando un prefijo estricto y descartando el resto.

Este diseño crea un traspaso de consulta incompleto en dos niveles:

1. Nivel de Tarea: La evidencia previa de la tarea (por ejemplo, una subtarea completada o la disposición inicial de un objeto) puede abandonar el campo de observación actual. Sin una memoria explícita de estos eventos, la política no puede inferir el siguiente paso correcto cuando la vista actual es ambigua (por ejemplo, la tarea "Put Back Block" en RMBench).
2. Nivel de Movimiento: El replanificado descarta la continuación no ejecutada de la predicción precedente. Esto causa que el nuevo prefijo predicho pueda entrar en desacuerdo con el movimiento que ya está en curso, creando discontinuidades en la pose y la velocidad. Dado que el movimiento ejecutado moldea el flujo de observaciones para la siguiente consulta, estas discontinuidades degradan la calidad de las observaciones utilizadas para la futura inferencia del progreso de la tarea.

Las soluciones existentes abordan estos problemas por separado: las políticas aumentadas con memoria retienen el historial de la tarea pero descartan la continuidad del movimiento, mientras que el ensamblado temporal o la ejecución en tiempo real preservan el movimiento pero carecen de evidencia de tarea a largo plazo.

Metodología: ChainVLA

ChainVLA es una política VLA de 1.2 mil millones de parámetros diseñada para encadenar consultas sucesivas a través de un estado de ejecución conjunto y revisable ($s_k = (g_k, u_k)$). Este estado se mantiene a través de los límites de las consultas, permitiendo que la política regenere horizontes de acción bajo la última observación mientras retiene el contexto necesario.

1. El Estado de Ejecución

El estado consta de dos componentes complementarios:

• Contexto de Progreso ($g_k$): Transporta el progreso de la tarea derivado de la observación. Es una fusión de:
  • Estado de Trabajo: Un resumen recurrente de la ejecución actual, actualizado en cada consulta utilizando tokens en vivo del input actual y un caché limitado de tokens recientes.
  • Memoria de Eventos Dispersos: Una memoria recuperable de hitos significativos y dispersos (por ejemplo, transiciones de etapa). Los eventos se escriben basados en anotaciones de etapa o reglas periódicas y se recuperan mediante una consulta condicionada a la estimación de la ejecución actual y la codificación de edad.
• Cola de Movimiento ($u_k$): Transporta el sufijo no ejecutado de la predicción precedente. Este componente cierra la brecha entre el prefijo ejecutado y la siguiente consulta, proporcionando un "prior de continuación" para el movimiento inacabado.

2. Transición de Consulta y Arquitectura

En cada consulta $k$, la política recibe el input actual $x_k$ y el estado transportado $s_k$.

• Actualización de Estado: El codificador procesa $x_k$ en tokens multimodales. Un banco de consultas de trabajo aprendido atiende a estos tokens y al Estado de Trabajo previo para producir tokens en vivo ($L_k$) y un resumen ($\bar{W}_k$). El resumen recupera evidencia de eventos ($Z^e_k$) de la Memoria de Eventos Dispersos.
• Formación del Contexto de Progreso: $g_k$ se forma fusionando $L_k$ y $Z^e_k$.
• Integración de la Cola de Movimiento: La Cola de Movimiento entrante ($u_k$) condiciona el Estado de Trabajo e inicializa el proceso de generación de acciones. Específicamente, alinea el sufijo normalizado con la representación de acción de horizonte completo para establecer la media inicial ($\mu_{k+1}$) del estado del decodificador.
• Generación de Acciones: Un decodificador de flujo condicional (backbone DiT) regenera el horizonte de acción completo $A_k$ condicionado en $x_k$, $g_k$ y $u_k$. Crucialmente, el decodificador no copia ni congela ninguna posición del horizonte; regenera cada posición basándose en la última observación, asegurando que el estado transportado actúe como un prior revisable en lugar de un plan fijo.
• Siguiente Estado: Tras ejecutar el prefijo, el sufijo no ejecutado de $A_k$ se convierte en la Cola de Movimiento ($u_{k+1}$) para la siguiente consulta.

3. Entrenamiento

El entrenamiento despliega la transición del estado de ejecución en orden de episodio. El modelo es supervisado por:

• Objetivos estándar de flujo condicional de acción.
• Supervisión de etapas (donde existen anotaciones) para la estimación de la etapa y los objetivos de escritura.
• Un regularizador de consistencia de traslape que penaliza el desacuerdo entre el traslape temporalmente alineado de los horizontes predichos consecutivos, fomentando un traspaso coherente sin fijar las acciones en el nuevo horizonte.

Contribuciones Clave

1. Identificación de Componentes de Estado de Consulta Cruzada: El artículo identifica el progreso de la tarea y el movimiento inacabado como dos componentes complementarios y asimétricos del estado de ejecución de consulta cruzada. Los estudios de ablación muestran que eliminar cualquiera de los componentes reduce drásticamente el rendimiento, y su interacción sugiere que la continuidad del movimiento es esencial para preservar el flujo de observación requerido para la inferencia del progreso de la tarea.
2. Política ChainVLA: Una política de 1.2 mil millones de parámetros que encadena consultas a través de un estado conjunto de Contexto de Progreso y Cola de Movimiento. A diferencia de trabajos previos, regenera cada horizonte bajo la última observación mientras mantiene un prior revisable derivado de la predicción anterior.
3. Validación Empírica: Una evaluación extensiva en las suites RMBench y LIBERO demuestra que ChainVLA supera a las líneas base existentes de memoria aumentada y de fragmentación de acciones.

Resultados

• RMBench: ChainVLA logra una tasa de éxito promedio del 62.8% en cinco tareas dependientes de memoria. Esto supera significamente al método más fuerte con cobertura completa (Mem-0 con 52.8%) y es particularmente efectivo en la tarea "Put Back Block" (96% vs. 90% para Mem-0), donde la evidencia de la tarea abandona la vista.
• LIBERO: La política logra un éxito promedio del 98.8% en cuatro suites (Spatial, Object, Goal, Long), con todas las suites superando el 98% de éxito.
• Estudios de Ablación:
  • Eliminar el Contexto de Progreso reduce el éxito en RMBench al 3.0%.
  • Eliminar la Cola de Movimiento reduce el éxito en RMBench al 11.2%.
  • Reemplazar el estado transportado con historial de observación y ensamblado temporal post-decodificación (FIFO Hist. + TE) produce solo un 35.6% de éxito.
  • Los controles de suavizado post-decodificación (Continuación Lineal, Ensamblado Temporal) reducen las discontinuidades en los límites pero no logran recuperar el éxito de la tarea, indicando que la ganancia proviene del condicionamiento del proceso de generación por parte del modelo, y no solo de una ejecución más suave.

Significado

El artículo afirma que ChainVLA aborda una brecha fundamental en la manipulación de largo horizonte: la falta de un mecanismo unificado para manejar simultáneamente la evidencia de tarea a largo plazo y la continuidad del movimiento a corto plazo. Los resultados sugieren que la continuidad del movimiento no es meramente un objetivo de control, sino un prerrequisito para una inferencia fiable del progreso de la tarea, ya que el movimiento discontinuo altera el flujo de observación de maneras que degradan la recuperación de la memoria. Al encadenar las consultas a través de un estado conjunto y revisable, ChainVLA permite que las políticas mantengan la coherencia en horizontes largos sin requerir planificadores o modelos de mundo separados.