Riepilogo Tecnico: ChainVLA

Problematica

La manipolazione robotica a lungo termine richiede un flusso di esecuzione continuo in cui le decisioni dipendono sia dal progresso del compito stabilito dalle azioni precedenti, sia dalla continuazione del moto delle azioni attualmente in corso. Le attuali politiche Vision-Language-Action (VLA) operano tipicamente in un regime di chunking dell'azione a orizzonte recedente. In questo design, la politica ri-pianifica ripetutamente partendo dall'osservazione corrente, dallo stato propriocettivo e dall'istruzione, predicendo un orizzonte di azione finito, eseguendo un prefisso rigido e scartando il resto.

Questo design crea un passaggio incompleto tra le query a due livelli:

1. Livello del Compito: Le evidenze del compito precedenti (ad esempio, un sottotaglio completato o la disposizione iniziale di un oggetto) possono lasciare il campo visivo dell'osservazione corrente. Senza una memoria esplicita di questi eventi, la politica non può inferire il passo successivo corretto quando la vista attuale è ambigua (ad esempio, nel compito "Put Back Block" in RMBench).
2. Livello del Moto: La ri-pianificazione scarta la continuazione non eseguita della predizione precedente. Ciò causa una potenziale discrepanza tra il nuovo prefisso predetto e il moto già in corso, creando discontinuità in posa e velocità. Poiché il moto eseguito modella lo stream di osservazione per la query successiva, queste discontinuità degradano la qualità delle osservazioni utilizzate per l'inferenza del progresso del compito futuro.

Le soluzioni esistenti affrontano questi problemi separatamente: le politiche aumentate dalla memoria mantengono la cronologia del compito ma scartano la continuità del moto, mentre l'ensembling temporale o l'esecuzione in tempo reale preservano il moto ma mancano di evidenza del compito a lungo termine.

Metodologia: ChainVLA

ChainVLA è una politica VLA da 1,2 miliardi di parametri progettata per concatenare query successive attraverso uno stato di esecuzione congiunto e rivedibile ($s_k = (g_k, u_k)$). Questo stato è mantenuto attraverso i confini delle query, consentendo alla politica di rigenerare gli orizzonti di azione sotto l'ultima osservazione pur mantenendo il contesto necessario.

1. Lo Stato di Esecuzione

Lo stato è composto da due componenti complementari:

• Contesto di Progresso ($g_k$): Trasporta il progresso del compito derivato dall'osservazione. È una fusione di:
  • Stato di Lavoro (Working State): Un riassunto ricorrente dell'esecuzione corrente, aggiornato ad ogni query utilizzando token live dall'input corrente e una cache limitata di token recenti.
  • Memoria di Eventi Sparsi (Sparse Event Memory): Una memoria recuperabile di pietre miliari sparse e significative (ad esempio, transizioni di fase). Gli eventi vengono scritti sulla base di annotazioni di fase e recuperati tramite una query condizionata sulla stima dell'esecuzione corrente e sulla codifica dell'età.
• Coda di Moto (Motion Tail - $u_k$): Trasporta il suffisso non eseguito della predizione precedente. Questa componente colma il divario tra il prefisso eseguito e la query successiva, fornendo un "prior di continuazione" per il moto non terminato.

2. Transizione di Query e Architettura

Ad ogni query $k$, la politica riceve l'input corrente $x_k$ e lo stato trasportato $s_k$.

• Aggiornamento dello Stato: L'encoder elabora $x_k$ in token multimodali. Una banca di query di lavoro appresa attende a questi token e allo stato di lavoro precedente per produrre token live ($L_k$) e un riassunto ($\bar{W}_k$). Il riassunto recupera le evidenze degli eventi ($Z^e_k$) dalla Memoria di Eventi Sparsi.
• Formazione del Contesto di Progresso: $g_k$ è formato fondendo $L_k$ e $Z^e_k$.
• Integrazione della Coda di Moto: La Coda di Moto in entrata ($u_k$) condiziona lo Stato di Lavoro e inizializza il processo di generazione dell'azione. Nello specifico, allinea il suffisso normalizzato con la rappresentazione dell'azione a orizzonte completo per impostare la media iniziale ($\mu_{k+1}$) dello stato del decoder.
• Generazione dell'Azione: Un decoder a flusso condizionale (backbone DiT) rigenera l'intero orizzonte di azione $A_k$ condizionato su $x_k$, $g_k$ e $u_k$. Fondamentalmente, il decoder non copia né blocca alcuna posizione dell'orizzonte; rigenera ogni posizione basandosi sull'ultima osservazione, garantendo che lo stato trasportato agisca come un prior rivedibile piuttosto che come un piano fisso.
• Prossimo Stato: Dopo l'esecuzione del prefisso, il suffisso non eseguito di $A_k$ diventa la Coda di Moto ($u_{k+1}$) per la query successiva.

3. Addestramento

L'addestramento srotola la transizione dello stato di esecuzione nell'ordine degli episodi. Il modello è supervisionato da:

• Standard obiettivi di flusso condizionale per l'azione.
• Supervisione di fase (dove esistono annotazioni) per la stima della fase e i target di scrittura.
• Un regolarizzatore di coerenza di sovrapposizione che penalizza il disaccordo tra la sovrapposizione temporalmente allineata degli orizzonti predetti consecutivi, incoraggiando un passaggio coerente senza fissare le azioni nel nuovo orizzonte.

Contributi Chiave

1. Identificazione dei Componenti dello Stato Cross-Query: Il documento identifica il progresso del compito e il moto incompiuto come due componenti complementari e asimmetriche dello stato di esecuzione cross-query. Gli studi di ablazione mostrano che rimuovere uno qualsiasi di questi componenti riduce drasticamente le prestazioni, e la loro interazione suggerisce che la continuità del moto è essenziale per preservare lo stream di osservazione richiesto per l'inferenza del progresso del compito.
2. Politica ChainVLA: Una politica da 1,2 miliardi di parametri che concatena le query attraverso uno stato congiunto di Contesto di Progresso e Coda di Moto. A differenza del lavoro precedente, rigenera ogni orizzonte sotto l'ultima osservazione mantenendo un prior rivedibile derivato dalla predizione precedente.
3. Validazione Empirica: Una valutazione estesa sulle suite RMBench e LIBERO dimostra che ChainVLA supera le esistenti baseline aumentate dalla memoria e con chunking dell'azione.

Risultati

• RMBench: ChainVLA raggiunge un tasso di successo medio del 62,8% in cinque compiti dipendenti dalla memoria. Questo supera significativamente il metodo più forte elencato con copertura completa (Mem-0 al 52,8%), ed è particolarmente efficace nel compito "Put Back Block" (96% vs 90% per Mem-0), dove l'evidenza del compito lascia la vista.
• LIBERO: La politica raggiunge il 98,8% di successo medio in quattro suite (Spatial, Object, Goal, Long), con tutte le suite che superano il 98% di successo.
• Studi di Ablazione:
  • Rimuovere il Contesto di Progresso riduce il successo in RMBench al 3,0%.
  • Rimuovere la Coda di Moto riduce il successo in RMBench all'11,2%.
  • Sostituire lo stato trasportato con la cronologia delle osservazioni e l'ensembling temporale post-decodifica (FIFO Hist. + TE) produce solo il 35,6% di successo.
  • I controlli di smoothing post-decodifica (Linear Continuation, Temporal Ensemble) riducono le discontinuità di confine ma non riescono a recuperare il successo del compito, indicando che il guadagno deriva dal condizionamento del processo di generazione lato modello, non solo da un'esecuzione più fluida.

Significato

Il documento afferma che ChainVLA affronta una lacuna fondamentale nella manipolazione a lungo termine: la mancanza di un meccanismo unificato per gestire simultaneamente sia l'evidenza del compito a lungo termine che la continuità del moto a breve termine. I risultati suggeriscono che la continuità del moto non è solo un obiettivo di controllo, ma un prerequisito per un'inferenza affidabile del progresso del compito, poiché un moto discontinuo altera lo stream di osservazione in modi che degradano il recupero della memoria. Concatenando le query attraverso uno stato congiunto e rivedibile, ChainVLA consente alle politiche di mantenere la coerenza su orizzonti lunghi senza richiedere pianificatori o modelli del mondo separati.