🤖 AI

Learning Native Continuation for Action Chunking Flow Policies

Il documento introduce Legato, un metodo di continuazione durante l'addestramento per modelli Vision Language Action con chunk di azione, che rimodella la dinamica del flusso e sfrutta la condizionamento a programmi casualizzati per produrre traiettorie più fluide e coerenti, superando così gli approcci esistenti di Real-Time Chunking nei compiti di manipolazione nel mondo reale.

Autori originali: Yufeng Liu, Hang Yu, Juntu Zhao, Bocheng Li, Di Zhang, Mingzhu Li, Wenxuan Wu, Yingdong Hu, Junyuan Xie, Junliang Guo, Dequan Wang, Yang Gao

Pubblicato 2026-05-19

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yufeng Liu, Hang Yu, Juntu Zhao, Bocheng Li, Di Zhang, Mingzhu Li, Wenxuan Wu, Yingdong Hu, Junyuan Xie, Junliang Guo, Dequan Wang, Yang Gao

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di insegnare a un robot a eseguire un compito complesso, come versare acqua da una tazza a un'altra. Per farlo, il robot utilizza un "cervello" (un modello Vision-Language-Action) che osserva la scena e decide cosa fare dopo.

Tuttavia, questo cervello è lento. Non riesce a pensare abbastanza velocemente da fornire al robot un nuovo istruzione ogni singolo millisecondo. Quindi, gli ingegneri usano un trucco chiamato "Action Chunking" (suddivisione in blocchi di azioni). Invece di dare un'istruzione alla volta, il cervello prevede un intero "blocco" di movimenti futuri (diciamo, i prossimi 2 secondi di movimento) tutti in una volta.

Il Problema: Lo "Scatto"

Il documento identifica un grave difetto nel modo in cui questi blocchi vengono attualmente cuciti insieme.

Immagina di camminare lungo un corridoio. Fai un passo, poi un altro. Se pianifichi i prossimi tre passi tutti insieme, potresti camminare fluidamente. Ma quando finisci quei tre passi e devi pianificare i prossimi tre, il tuo cervello deve fare una pausa, rivalutare e iniziare un nuovo piano.

Nei robot attuali, questa pausa causa uno "scatto" o un "singhiozzo" al confine dove finisce un blocco e ne inizia un altro. Il robot potrebbe:

Esitare (congelarsi per un istante).
Scattare improvvisamente in una direzione diversa.
Cambiare idea su quale mano usare o quale oggetto afferrare.

Il documento definisce questo fenomeno come "commutazione multimodale spuria". In parole povere: il robot si confonde nei punti di transizione e inizia a oscillare tra diverse azioni possibili, rendendo il movimento scattoso e innaturale.

La Vecchia Soluzione: "Real-Time Chunking" (RTC)

I precedenti tentativi di risolvere questo problema, chiamati Real-Time Chunking (RTC), erano come un promemoria su un post-it.

Quando il robot finisce un blocco, il sistema osserva gli ultimi movimenti che ha compiuto.
Costringe il nuovo blocco a iniziare esattamente dove l'altro si è interrotto.
Il Difetto: Questa è una regola esterna applicata dopo che il robot ha già pensato. È come dire a un pittore: "Assicurati che il tuo prossimo tratto di pennello si colleghi all'ultimo", ma il pittore non ha imparato come collegarli naturalmente. Il robot rimane comunque confuso internamente, portando a esitazioni e movimenti scattosi.

La Nuova Soluzione: "Legato"

Gli autori propongono un nuovo metodo chiamato Legato (dal nome di un termine musicale che significa "connesso fluidamente").

Invece di aggiungere semplicemente una regola alla fine, Legato insegna al cervello del robot come collegare i punti mentre sta imparando.

Ecco come funziona, usando un'analogia creativa:

1. L'Analogia dell'"Allenamento con le Rotelle"
Immagina di insegnare a un bambino a andare in bicicletta.

Vecchio Metodo (RTC): Gli lasci andare, e se barcolla alla fine di una curva, affidi i manubri e lo costringi a raddrizzarsi. Impara a contare su di te per sistemare il barcollamento.
Metodo Legato: Gli insegni a sentire l'equilibrio durante la curva. Gli dai un "programma" di quanto supporto gli serve in ogni secondo della curva. Mentre si addentra nella curva, lo lasci andare lentamente, ma lo guidi fluidamente per tutto il tempo.

2. La "Rampa Fluida" contro il "Muro Rigido"
Legato utilizza una guida a forma di "programma".

Quando il robot inizia un nuovo blocco, sa esattamente come è finito il blocco precedente.
Legato dice al robot: "Per la prima parte di questo nuovo blocco, devi seguire esattamente il percorso precedente".
Poi, dice lentamente: "Ok, puoi iniziare a deviare un po' e prendere le tue decisioni".
Infine: "Ora sei libero di pianificare il resto del movimento".

Questo crea una rampa fluida di libertà invece di un muro rigido dove il robot deve cambiare marcia all'improvviso.

3. La "Competenza Nativa"
La parte più importante di Legato è che cambia il "flusso" interno del robot. Riplasma la matematica all'interno del cervello del robot in modo che collegare i blocchi sia una parte naturale del modo in cui pensa.

Non si limita a costringere il robot a corrispondere al passato; insegna al robot che rimanere coerente con il passato è il percorso più facile e più logico da seguire.
Questo impedisce al robot di esitare o di oscillare avanti e indietro tra idee diverse (commutazione multimodale).

I Risultati

I ricercatori hanno testato questo metodo su robot reali che eseguivano cinque compiti diversi: impilare ciotole, versare oggetti, raccogliere oggetti, aprire cassetti e piegare asciugamani.

Movimenti più Fluidi: I robot di Legato si muovevano come un flusso fluido d'acqua, mentre il vecchio metodo si muoveva come una serie di passi scattosi.
Completamento più Veloce: Poiché i robot non esitavano o si bloccavano ai "confini dei blocchi", completavano i compiti circa il 10% più velocemente.
Meno Confusione: I robot attenevano al loro piano (ad esempio, "userò la mano sinistra") invece di oscillare avanti e indietro.

Riepilogo

Pensa all'Action Chunking come a un robot che scatta una serie di foto per pianificare il suo movimento.

Il Problema: Le foto non si allineano perfettamente, quindi il filmato sembra tremolante.
La Vecchia Soluzione: Cerchi di montare le foto insieme dopo averle scattate (RTC), ma il tremolio rimane.
Legato: Insegni alla telecamera come scattare le foto in modo che si allineino naturalmente perfettamente mentre stai riprendendo. Il risultato è un filmato fluido e continuo in cui il robot si muove con sicurezza e grazia.

Riepilogo Tecnico: Legato – Apprendimento della Continuità Nativa per Politiche di Flusso a Blocchi di Azione

1. Enunciato del Problema

I modelli Vision Language Action (VLA) sono sempre più implementati nella robotica reale utilizzando il blocco di azioni (action chunking), una strategia in cui il modello prevede una sequenza di vettori di azione futuri in un singolo passo di inferenza. Sebbene il blocco ammortizzi i costi di inferenza e abiliti il controllo ad alta frequenza, introduce un inconveniente fondamentale: discontinuità ai confini dei blocchi.

Queste discontinuità derivano da due fattori principali:

Ritardo di Inferenza: Il tempo necessario per calcolare il blocco successivo crea un divario tra l'esecuzione del blocco corrente e la generazione del successivo.
Multimodalità Intrinseca: Le politiche basate sul flusso spesso esibiscono distribuzioni multimodali, portando a un "cambio multimodale spurio" in cui la politica cambia bruscamente la sua modalità di azione intesa tra un blocco e l'altro.

Soluzioni esistenti come il Blocco in Tempo Reale (RTC) tentano di mitigare questo problema applicando un'inpainting al momento dell'inferenza, vincolando parzialmente i nuovi blocchi a sovrapporsi alle azioni precedenti. Tuttavia, RTC è un meccanismo esterno applicato solo al momento dell'inferenza. Poiché la politica stessa non è addestrata a gestire questa continuità, rimane soggetta a esitazioni, cambi di direzione bruschi e traiettorie che non sono intrinsecamente lisce. Il documento sostiene che un'esecuzione a blocchi stabile richieda che la continuità dei blocchi sia una proprietà nativa e appresa della politica.

2. Metodologia: Legato

Gli autori propongono Legato, un framework di continuità al momento dell'addestramento per politiche VLA basate sul flusso e a blocchi di azione. Legato interiorizza il meccanismo di continuità ridefinendo le dinamiche del flusso apprese per garantire coerenza tra addestramento e inferenza sotto guida per passo.

Componenti Principali

Legato affronta due requisiti critici per una continuità efficace:

Guida per Passo: La guida deve essere applicata ripetutamente su tutti i passi di denoising, non solo all'inizializzazione.
Coerenza Addestramento-Inferenza: Le dinamiche apprese durante l'addestramento devono corrispondere alle dinamiche utilizzate durante l'inferenza.

A. Guida a Forma di Programma

Legato introduce un programma di guida $\omega \in [0, 1]^H$ sull'orizzonte del blocco di azioni $H$ . Questo programma è definito da tre parametri:

$d$ : Il ritardo di inferenza (prefisso di guida completo).
$s$ : La lunghezza eseguita per ciclo.
$r$ : La lunghezza di riduzione in cui l'intensità della guida diminuisce.
Questi soddisfano $r + s + d = H$ .

Invece di bloccare rigidamente il prefisso (come nel RTC al momento dell'addestramento), Legato utilizza un programma liscio: ancora l'inizio del blocco ad azioni note (verità fondamentale durante l'addestramento, prefisso del blocco precedente durante l'inferenza) e riduce gradualmente l'intensità della guida fino a zero. Ciò è ottenuto tramite una miscela azione-rumore:
$\epsilon_{eff} = (1 - \omega) \odot \epsilon + \omega \odot A$
dove $\epsilon$ è il rumore e $A$ è l'azione di riferimento.

B. Ridefinizione delle Dinamiche del Flusso

Il matching del flusso standard addestra un campo di velocità $u_{FM}$ per trasportare il rumore verso le azioni. Tuttavia, applicare la guida per passo al momento dell'inferenza induce un sistema dinamico diverso. Per eliminare la discrepanza tra addestramento e test, Legato deriva le esatte dinamiche in tempo continuo indotte dalla guida ripetuta per passo e ridefinisce il campo di velocità target durante l'addestramento.

La rete è addestrata a prevedere una velocità target modificata $v_{target}$ :
$v_{target}(t, A, \epsilon, \omega) = (1 - \kappa \odot (1 - t)) \odot (A - \epsilon)$
dove $\kappa = \omega / \Delta t$ . Ciò permette alla politica di supportare nativamente la guida a forma di programma senza intervento esterno al momento dell'inferenza.

C. Condizionamento a Programma Randomizzato

Per gestire le latenze di inferenza variabili tra hardware e ottimizzazioni runtime, Legato randomizza i parametri del programma ( $d, r$ ) durante l'addestramento. La politica è esplicitamente condizionata sul programma $\omega$ (aggiunto come caratteristica). Ciò permette a un singolo modello di adattarsi a diversi ritardi di inferenza e di controllare il compromesso tra la liscietà della traiettoria e la coerenza della sovrapposizione al momento dell'inferenza senza riaddestramento.

3. Contributi Chiave

Framework Legato: Un framework di continuità al momento dell'addestramento che abilita la guida per passo a forma di programma, mantenendo una rigorosa coerenza addestramento-inferenza ridefinendo le dinamiche del flusso.
Condizionamento a Programma Randomizzato: Un meccanismo per supportare ritardi di inferenza variabili e fornire un controllo flessibile sulla liscietà della traiettoria, permettendo al modello di generalizzare su diversi hardware e condizioni di latenza.
Validazione Empirica: Estesi esperimenti nel mondo reale che dimostrano che apprendere la continuità come proprietà nativa della politica supera i metodi di correzione al momento dell'inferenza.

4. Risultati Sperimentali

Gli autori hanno valutato Legato su cinque compiti di manipolazione nel mondo reale (impilamento di ciotole, versamento, prelievo e posizionamento, apertura di cassetti, piegatura di asciugamani) utilizzando un robot a due bracci.

Metriche di Prestazione

Tempo di Completamento del Compito: Legato ha costantemente ottenuto tempi di completamento più brevi (circa 10% di miglioramento) rispetto a RTC.
Liscietà della Traiettoria: Legato ha prodotto traiettorie significativamente più lisce, come dimostrato da valori inferiori di NSPARC (Lunghezza dell'Arco Spettrale Negativo) e RMSE di Sovrapposizione.
Cambio Multimodale Spurio: Legato ha ridotto esitazioni e cambi di direzione bruschi, portando a obiettivi di presa e selezioni di braccio più coerenti.

Analisi Comparativa

vs. RTC: Legato ha superato RTC in tutti e cinque i compiti in termini di velocità e liscietà.
vs. RTC al Momento dell'Addestramento: Legato ha superato una linea di base che applica vincoli rigidi di prefisso durante l'addestramento. Gli autori attribuiscono questo al fatto che la ridefinizione delle dinamiche del flusso di Legato si allinea meglio al comportamento effettivo di denoising della guida ripetuta.
Generalizzazione: Il metodo ha dimostrato robustezza su diversi backbones VLA ( $\pi_0$ , $\pi_0.5$ , Gr00t N1.6) e ritardi di inferenza variabili.

5. Significato e Affermazioni

Il documento afferma che Legato rappresenta un passaggio dal trattare la continuità del blocco di azioni come una correzione esterna al momento dell'inferenza a una proprietà nativa e appresa della politica.

Liscietà Intrinseca: Ridefinendo le dinamiche del flusso, Legato garantisce che la politica comprenda intrinsecamente come transitare tra i blocchi, riducendo il "jitter" e l'esitazione associati al cambio multimodale.
Efficienza: La riduzione delle esitazioni e dei cambi di direzione si traduce direttamente in tempi di completamento del compito più rapidi negli scenari reali.
Adattabilità: L'uso del condizionamento a programma randomizzato permette a un singolo modello di essere distribuito su ambienti hardware diversi con diverse latenze di inferenza, un requisito critico per la distribuzione pratica della robotica.

Gli autori concludono che, sebbene le formulazioni attuali limitino i passi di denoising alla specifica al momento dell'addestramento, il metodo proposto dimostra con successo che apprendere le dinamiche di continuità è superiore all'imposizione di vincoli rigidi, offrendo una via robusta verso un controllo robotico reale più liscio ed efficiente.