Sintesi Tecnica: TempoVLA

Problema

I modelli esistenti di Vision-Language-Action (VLA) per la manipolazione robotica ereditano una velocità di esecuzione singola e fissa dalle loro dimostrazioni di addestramento. Questa rigidità è un limite significativo perché i compiti di manipolazione nel mondo reale alternano fasi di transito a basso rischio (che richiedono un'esecuzione veloce) a fasi di contatto ad alto rischio (che richiedono movimenti lenti e precisi). Gli sforzi attuali per alterare la velocità di esecuzione — come la compressione del modello, il riutilizzo della cache KV o l'apprendimento per rinforzo — tipicamente spostano la policy verso una diversa velocità fissa piuttosto che consentire un controllo esplicito e su richiesta. Inoltre, questi metodi si concentrano quasi esclusivamente sull'accelerazione, lasciando in gran parte inesplorata la decelerazione (essenziale per l'inserimento di precisione e i passaggi delicati di oggetti). La sfida centrale è dotare un singolo VLA di un controllo della velocità bidirezionale esplicito senza dover riaddestrare la sua architettura di base da zero o raccogliere nuovi dati.

Metodologia

Gli autori propongono TempoVLA, un framework che consente a una singola policy VLA di eseguire compiti a velocità variabili controllate da uno scalare esplicito $s$. L'approccio consiste in due componenti accoppiate: una strategia di aumento dei dati lato dati e un meccanismo di condizionamento lato modello.

1. Aumento delle Traiettorie a Velocità Variabile (VSTA)

VSTA è una strategia di aumento dei dati online che ri-temporizza qualsiasi dimostrazione esistente a una velocità target $s$ preservando la semantica del movimento. Opera in tre fasi:

• Segmentazione Coerente con il Movimento: Le dimostrazioni vengono segmentate in base alle modalità di movimento (stasi, traslazione, rotazione o traslazione-e-rotazione) ed eventi della pinza (gripper). I confini sono posizionati in corrispondenza dei cambi di modalità o di inversione della direzione per garantire la coerenza semantica.
• Trasformazione della Velocità a Livello di Chunk: All'interno di ogni segmento, la velocità target $s$ è realizzata mappando $q$ frame sorgente in $p$ frame di output ($s = q/p$). Il movimento totale $\Delta$ di un chunk viene accumulato e poi suddiviso nuovamente in $p$ passi di uguale magnitudo tramite interpolazione lineare. Ciò preserva la magnitudo integrata del chunk pur alterando la forma della traiettoria all'interno del chunk. Questa operazione è valida per spazi di azione chiusi rispetto all'addizione (ad esempio, traslazioni cartesiane, velocità angolari e vettori angolo-asse).
• Campionamento Online dell'Inizio del Chunk: Per evitare di scartare le osservazioni durante il processo di ri-temporizzazione, l'offset iniziale dei chunk è randomizzato per ogni campione di addestramento. Ciò assicura che, nel corso dell'addestramento, ogni frame sorgente diventi infine un valido inizio di chunk, contribuendo al segnale di addestramento.

2. Meccanismo di Condizionamento della Velocità

La policy $\pi_\theta(o_t, s)$ è addestrata sul dataset aumentato con lo scalare di velocità $s$ fornito come input di condizionamento esplicito. Il paper valuta tre schemi di iniezione leggeri:

• Prefisso Testuale: Prependere una frase (ad esempio, "Esegui il compito a una velocità di 1.5x") all'istruzione linguistica.
• RMSNorm Modulata dalla Velocità: Utilizzare un piccolo MLP per incorporare $s$ e aggiungerlo all'embedding del timestep, che poi modula l'RMSNorm degli strati esperti dell'azione.
• Soft Prompt con Ancore di Velocità: Inserire token di soft-prompt apprendibili corrispondenti a ancore di velocità discrete nell'input dell'encoder.

Gli esperimenti indicano che il controllo della velocità può essere iniettato con un minimo sforzo di ingegneria ed è ampiamente indipendente dal meccanismo di condizionamento specifico, con il prefisso testuale scelto come predefinito per la sua semplicità e flessibilità.

3. Controllo della Velocità Dinamico con VLM Scheduler

Oltre ai comandi fissi, TempoVLA supporta la programmazione automatica della velocità dinamica quando accoppiato con un modello Vision-Language (VLM) di alto livello. Il VLM osserva la scena e invia comandi di velocità per ogni chunk, consentendo al sistema di accelerare durante le fasi di transito a basso rischio e decelerare durante le fasi di contatto ad alto rischio senza intervento umano.

Risultati Chiave

Simulazione (Benchmark LIBERO)

• Fattibilità: VSTA genera con successo dimostrazioni eseguibili attraverso una gamma di velocità (da 0.5x a 2x) con un errore di movimento trascurabile ($< 5 \times 10^{-8}$).
• Guadagni di Performance: L'addestramento con VSTA migliora il tasso di successo del default 1x rispetto a una baseline a velocità singola. La performance di picco avviene spesso a velocità moderate (1.25x o 1.5x), suggerendo che la compressione del "padding del ritmo" operata da VSTA nelle dimostrazioni di teleoperazione porti a un'esecuzione più decisa.
• Granularità: Una granularità di velocità più fine nell'addestramento (ad esempio, un intervallo di 7 velocità) produce prestazioni migliori in tutte le velocità rispetto a intervalli più grossolani.
• Limiti: Ad velocità estreme (ad esempio, 4x), le prestazioni degradano a causa dell'incapacità del controllore di basso livello di tracciare grandi magnitudo di azione entro un singolo intervallo di controllo, non a causa del fallimento della policy.

Esperimenti nel Mondo Reale

• Configurazione: Implementato su un braccio Franka a 7 DoF con una pinza parallela attraverso cinque compiti (pick-and-place e manipolazione di oggetti deformabili).
• Tasso di Successo: VSTA ha aumentato il tasso di successo del default 1x dall'80.0% (baseline) all'88.0%.
• Programmazione Dinamica: Quando accoppiato con uno scheduler GPT-4o, il sistema ha raggiunto un tasso di successo medio del 96%, superando la migliore configurazione a velocità fissa. Lo scheduler ha identificato correttamente le fasi (spazio libero vs contatto) e ha regolato le velocità di conseguenza, sebbene sia rimasto conservativo, inviando raramente la velocità massima di 1.5x.
• Velocità Realizzata: La velocità di esecuzione realizzata ha seguito da vicino le velocità comandate (ad esempio, 1.29x realizzato per un comando di 1.25x), confermando la fedele traduzione delle predizioni della policy nell'esecuzione hardware.

Significato e Rivendicazioni

Il paper sostiene che TempoVLA fornisce una soluzione leggera e plug-and-play per il controllo bidirezionale della velocità nei VLA esistenti. I suoi principali contributi sono:

1. Controllo Bidirezionale: Permette sia l'accelerazione che la decelerazione da una singola policy, affrontando una lacuna nei lavori precedenti che si concentravano principalmente sull'accelerazione.
2. Efficienza dei Dati: Raggiunge questo risultato senza nuove raccolte di dati, utilizzando VSTA per ri-temporizzare le dimostrazioni esistenti.
3. Aumento Implicito: Il processo di ri-temporizzazione dei dati agisce come un efficace aumento che migliora la performance di default 1x, costringendo la policy a imparare caratteristiche più fini legate all'oggetto e all'obiettivo invece di memorizzare mappature fisse tra osservazione e magnitudo.
4. Programmazione Dinamica: Dimostra che la velocità di esecuzione può servire come un nuovo canale di controllo per i ragionatori di alto livello (VLM), consentendo un'esecuzione consapevole delle fasi in cui il robot bilancia autonomamente velocità e precisione.

Gli autori sottolineano che, sebbene la policy stessa supporti una vasta gamma di velocità, il limite superiore della velocità realizzata è governato dalla larghezza di banda di tracciamento del controllore di basso livello, suggerendo che il lavoro futuro potrebbe prevedere il co-tuning del controllore per sfruttare appieno l'inviluppo di controllo della velocità della policy.