Sintesi Tecnica: Rivelare la vulnerabilità dei modelli Vision-Language-Action sotto guasti fisici a livello di giunto

Problematica

Il dispiegamento di modelli Vision-Language-Action (VLA) in sistemi robotici reali affronta un critico gap di robustezza: sebbene questi modelli dimostrino una forte generalizzazione rispetto a variazioni semantiche e percettive, spesso mancano di robustezza verso i guasti lato embodiment. Nello specifico, le policy VLA assumono che il corpo del robot converta fedelmente le azioni predette in movimenti intenzionali. Tuttavia, i robot nel mondo reale sono suscettibili a guasti fisici a livello di giunto, come il degrado degli attuatori, guasti hardware, limiti imposti dalla sicurezza, danni da collisione e attrito indotto dall'usura.

Questi guasti alterano l'interfaccia azione-movimento, interrompendo la relazione a ciclo chiuso appresa tra azioni comandate, movimento realizzato e osservazioni successive. A differenza del rumore d'azione convenzionale (che perturba direttamente l'output della policy), i guasti fisici a livello di giunto cambiano la capacità cinematica o dinamica stessa del robot. Di conseguenza, la stessa azione comandata può risultare in stati diversi a seconda del giunto interessato e della severità del guasto. Ciò conduce a un disallineamento dell'esecuzione a ciclo chiuso, in cui il robot devia dalla traiettoria dello stato nominale attesa dalla policy VLA, causando potenzialmente fallimenti irreversibili anche se il compito rimane fisicamente fattibile.

Metodologia: J-PARC

Per affrontare questa vulnerabilità, gli autori propongono J-PARC (Joint-level Physical-fault Aware Residual Calibrator), un framework leggero progettato per operare sopra una policy VLA congelata senza effettuare il fine-tuning del modello base.

Architettura Core

J-PARC funziona come un modulo di correzione residua che regola le componenti traslazionali dell'output d'azione del VLA in base al contesto di esecuzione inferito.

1. Contesto di Input: Il modulo osserva la dinamica recente dei giunti e la cronologia di esecuzione ($H_t$), che include le azioni base, gli stati dell'end-effector/gripper e la differenza tra azioni comandate e azioni eseguite.
2. Inferenza del Regime di Guasto: Un encoder pre-addestrato ($g_\psi$) elabora il movimento recente dei giunti per inferire un regime di guasto del giunto latente ($u_t$). Questo encoder è addestrato per rilevare la presenza di un guasto e classificare il giunto specifico interessato, ma rimane congelato durante la fase di addestramento del residuo.
3. Predizione del Residuo: Un calibratore residuo basato su transformer ($f_\theta$) prende in input il chunk d'azione base, la cronologia di esecuzione e il regime di guasto inferito. Esso predice un chunk residuo ($R_{\theta,t}$) specificamente per i comandi traslazionali del braccio ($\Delta x, \Delta y, \Delta z$).
4. Correzione dell'Azione: L'azione finale eseguita è la somma dell'azione VLA base e del residuo predetto. I comandi di rotazione e del gripper provenienti dalla policy base vengono preservati per evitare configurazioni di giunto non necessarie.

Strategia di Addestramento

J-PARC utilizza un approccio a target residuo guidato dal riferimento:

• Raccolta Dati: Il sistema accoppia le esecuzioni di riferimento prive di guasti con le esecuzioni in condizioni di giunto bloccato partendo dallo stesso stato iniziale.
• Generazione del Target: Un meccanismo "teacher" confronta lo stato di esecuzione guasto rispetto alla traiettoria di riferimento priva di guasti. Se la deviazione supera una soglia, il target residuo viene calcolato per reindirizzare l'end-effector verso il waypoint privo di guasti. Se la deviazione è entro un "tubo di dimostrazione", il target residuo è zero.
• Ottimizzazione: Il calibratore residuo è addestrato per minimizzare l'errore quadratico medio tra il suo residuo predetto e il target generato dal teacher, mentre la policy VLA base e l'encoder del guasto rimangono congelati.

Contributi Chiave

1. Identificazione della Vulnerabilità: Il paper stabilisce che i guasti fisici a livello di giunto (blocco, limiti di intervallo, aumento dell'attrito) sono una sfida di robustezza critica e distinta per il dispiegamento dei VLA, separata dal rumore percettivo o dello spazio di comando.
2. Analisi degli Effetti Eterogenei: Attraverso un'analisi estesa, gli autori dimostrano che gli effetti dei guasti sono dipendenti dal giunto. I compiti degradano in modo eterogeneo in base al giunto interessato e al suo utilizzo nel compito. Inoltre, i cali di prestazione si verificano anche in scenari fattibili (ad esempio, aumento dell'attrito), indicando che il problema non è meramente l'infattibilità fisica ma un disallineamento dell'esecuzione a ciclo chiuso.
3. Framework J-PARC: La proposta di un framework di calibrazione residua leggero che inferisce regimi di guasto latenti dalla cronologia di esecuzione e adatta le azioni di conseguenza, preservando il comportamento della policy base negli ambienti privi di guasti.
4. Validazione Empirica: Gli esperimenti sul benchmark LIBERO e sull'hardware reale (Trossen WidowX AI) mostrano che J-PARC migliora significativamente i tassi di successo sotto guasti ai giunti, mantenendo le prestazioni nelle condizioni nominali.

Risultati Sperimentali

Gli autori hanno valutato J-PARC su due backbone VLA congelati (OpenVLA-OFT e $\pi_0.5$) attraverso le suite del benchmark LIBERO.

• Guasti da Giunto Bloccato: In condizioni di giunto bloccato, J-PARC ha migliorato il tasso di successo medio dal 42,3% al 46,8% (OpenVLA-OFT) e dal 48,4% al 55,2% ($\pi_0.5$). Notevolmente, ha superato i baseline come la Cinematica Inversa Vincolata (CIK) e RobustVLA, che non sono riusciti a migliorare costantemente le prestazioni o hanno addirittura degradato le stesse.
• Guasti da Attrito Non Visti: Fondamentalmente, J-PARC è stato addestrato solo su dati di giunto bloccato. Quando testato su un aumento dell'attrito del giunto (un diverso modo di guasto non visto durante l'addestramento), ha comunque migliorato i tassi di successo medi (ad esempio, dal 46,4% al 55,1% per OpenVLA-OFT), dimostrando generalizzazione a disallineamenti di esecuzione non visti.
• Preservazione dell'Assenza di Guasti: In ambienti privi di guasti, J-PARC ha preservato le prestazioni della policy base, confermando che il modulo residuo non interferisce con l'operatività nominale.
• Validazione nel Mondo Reale: Su un robot fisico che esegue un compito di pick-and-place di una ciotola, la policy base è fallita completamente sotto blocchi dei giunti, mentre J-PARC ha avuto successo nella maggior parte dei tentativi mantenendo la traiettoria dell'end-effector vicina al percorso di riferimento privo di guasti.

Significato e Rivendicazioni

Il paper sostiene che la robustezza lato embodiment sia una condizione necessaria per un dispiegamento affidabile dei VLA, non solo una questione secondaria di hardware. Gli autori affermano che:

• Le attuali metodologie di robustezza focalizzate sul rumore d'azione o sulle perturbazioni percettive sono insufficienti per gestire guasti fisici persistenti che alterano la dinamica del robot.
• Il disallineamento tra azioni comandate e movimenti realizzati si accumula nel tempo, richiedendo una calibrazione dell'azione adattiva che sia condizionata dal contesto di esecuzione corrente piuttosto che da vincoli statici.
• J-PARC offre una soluzione pratica e leggera che aumenta la robustezza senza il costo computazionale del fine-tuning di grandi modelli VLA o la necessità di estesi dati avversari.

Gli autori rimangono modesti riguardo ai limiti, notando che la loro validazione nel mondo reale è attualmente limitata a giunti specifici (4 e 5) e a un singolo compito a causa di vincoli di sicurezza, e che il metodo attualmente dipende dall'accesso a traiettorie di riferimento prive di guasti per l'addestramento. Il lavoro futuro suggerisce di esplorare la costruzione automatica dei riferimenti e spazi d'azione più ampi.