Technische Samenvatting: Voorbij Actiekoppen in het Wereldstelsel: Bewegingsgerichte Actiekaders voor Vision-Language-Action Modellen

Probleemstelling

Vision-Language-Action (VLA) modellen hebben aanzienlijke vooruitgang geboekt door sterkere perceptuele backbones, bredere pre-training en grotere demonstratiedatasets. De actievoorspellingskoppen in deze modellen blijven echter grotendeels homogeen. De meeste beleidsregels gebruiken een standaard regressiehoofd om eindgrijpercommando's direct te voorspellen in een vast globaal wereldcoördinatenstelsel.

Dit ontwerp vertoont een fundamentele mismatch met de aard van robotmanipulatie. Veel manipulatiegedragingen zijn inherent lokaal en geometrisch (bijvoorbeeld het benaderen van een handvat, roteren rond een object). Hoewel dergelijke gedragingen vergelijkbare interactiestructuren kunnen delen, manifesteren ze zich als sterk verschillende vectoren in een vast wereldstelsel door variaties in objectpose, gezichtshoek of lay-out van de scène. Bijgevolg moet het beleid deze geometrische variaties impliciet absorberen binnen zijn latente representatie om ze te decoderen naar een enkele, vaste uitvoerruimte. Dit artikel stelt dat VLA-beleidsregels acties effectiever kunnen organiseren als ze zijn uitgerust met een geleerd lokaal stelsel en een gestructureerd mechanisme voor actiecompositie binnen dat stelsel.

Methodologie: MCF-Proto

De auteurs stellen MCF-Proto voor, een lichtgewicht herontwerp van de actiehoofd voor standaard VLA-beleidsregels. De methode introduceert twee kerncomponenten: een Bewegingsgerichte Actieframe (MCF) en een prototype-gebaseerde actieparametrisatie. Het volledige systeem wordt end-to-end getraind met uitsluitend standaarddemonstraties, zonder aanvullende supervisie zoals objectposities of contacttoestanden.

1. Bewegingsgerichte Actieframe (MCF)

In plaats van acties direct in het wereldstelsel te regresseren, voorspelt het beleid eerst een door observatie voorwaardelijke rotatie $R_t \in SO(3)$ met behulp van een lichtgewicht Multi-Layer Perceptron (MLP) met een continue 6D-rotatieparametrisatie. Deze rotatie definieert op elk tijdstip $t$ een lokaal coördinatenstelsel, het MCF.

• Functie: Het MCF absorbeert scenegedreven geometrische variatie voordat de actie wordt gedecodeerd.
• Mapping: Acties die in het lokale stelsel zijn voorspeld ($\Delta x^{mcf}_t, \Delta r^{mcf}_t$), worden via $\Delta x_t = R_t \Delta x^{mcf}_t$ en $\Delta r_t = R_t \Delta r^{mcf}_t$ teruggemapt naar het wereldstelsel.

2. Prototype-gebaseerde Actiecompositie

Binnen het geleerde MCF worden acties niet voorspeld als ruwe vectoren, maar gegenereerd als zachte combinaties van een kleine, gedeelde woordenlijst van prototypes.

• Structuur: Er worden aparte prototypewoordenlijsten bijgehouden voor translatie ($B^{trans}$) en rotatie ($B^{rot}$). Elk prototype is een matrix die een latente coëfficiëntvector afbeeldt op een 3D-actiestap.
• Generatie: Het model voorspelt latente schaalvectoren en gating-logits (via softmax) om deze prototypes te selecteren en te wegen. De lokale actie wordt samengesteld als een gewogen som van prototypemappingen, gemoduleerd door latente schalen.
• Regularisatie: Een orthogonaliteitsregularisator ($L_{ortho}$) wordt toegepast op de prototypematrixen om ervoor te zorgen dat ze distinct en niet-redundant blijven.

3. Leerdoel

Het model wordt gesuperviseerd op de uiteindelijke voorspelde eindgrijperactie in het wereldstelsel met behulp van standaard imitatieleringsverliezen (L1 voor translatie/grijper, Smooth L1 voor rotatie). Daarnaast wordt een temporale gladheidsverliesfunctie ($L_{smooth}$) geïntroduceerd om het geleerde lokale stelsel aan te moedigen zich soepel te ontwikkelen in de tijd, in plaats van abrupt te roteren om instantane actieveranderingen te volgen.

Belangrijkste Bijdragen

1. MCF-Proto Architectuur: De introductie van een lichtgewicht actiehoofd dat een geleerd Bewegingsgericht Actieframe combineert met een gedeelde woordenlijst van actieprototypes, waarbij uitsluitend standaard actiesupervisie vereist is.
2. Emergente Structuur: Het aantonen dat dit ontwerp een stabiele, emergente geometrische structuur induceert. Specifiek:
   • De geleerde lokale stelsels ontwikkelen assen die sterk compatibel zijn met gedemonstreerde eindgrijperbewegingen, ondanks het ontbreken van expliciete directionele labels.
   • De actierepresentatie wordt aanzienlijk compacter, waarbij variatie wordt gevangen door minder dominante richtingen en wordt georganiseerd door gedeelde prototypes.
3. Empirische Validatie: Bewijs dat deze structurele eigenschappen zowel de taakprestatie als de robuustheid verbeteren, met name onder geometrische verstoringen.

Experimentele Resultaten

De auteurs hebben MCF-Proto geëvalueerd op de LIBERO- en LIBERO-plus-benchmarks, evenals op een real-world OpenArm-platform.

• LIBERO Benchmark: MCF-Proto behaalde een state-of-the-art gemiddelde succesratio van 97,7%, wat beter is dan sterke baselines zoals OpenVLA-OFT (97,1%) en $\pi0$ (94,1%). Opmerkelijke winsten werden waargenomen in de "Long"-suite (95,0%), wat wijst op verbeterde consistentie over langere horizonnen.
• LIBERO-plus (Robuustheid): De methode toonde superieure robuustheid onder distributieveranderingen, met de beste prestaties in zes van zeven verstoringcategorieën (Camera, Robot, Licht, Achtergrond, Ruis, Lay-out).
  • Geometrische Verstoringen: De meest significante winsten werden gezien onder Camera (69,7% versus baselines <60%) en Robot (66,0%) verstoringen. De auteurs schrijven dit toe aan het vermogen van het MCF om geometrische variaties in gezichtshoek en initiële pose te absorberen voordat controlecommando's worden gedecodeerd.
• Real-World Validatie: Op het OpenArm-platform toonde MCF-Proto sterkere betrouwbaarheid op lange horizon over drie taken (plaatsen van reageerbuisjes, bimanuele overdracht, stapelen van kommen) in vergelijking met baselinevarianten.
• Structurele Analyse:
  • Concentratie: De representatie in het lokale stelsel toonde een reductie van 17,8% in de covariantietraces en een reductie van 51,3% in de effectieve rang in vergelijking met acties in het wereldstelsel, wat wijst op een meer geconcentreerde en lager dimensionale actieruimte.
  • Uitlijning: De hoekfout tussen MCF-assen en gedemonstreerde bewegingsrichtingen werd aanzienlijk verminderd (van ~35° naar ~11–19°) bij combinatie van het MCF met prototypecompositie, wat bevestigt dat het geleerde stelsel uitlijnt met de taakgeometrie.

Betekenis en Claims

Het artikel stelt dat actieparametrisatie een kritieke maar onderbelichte ontwerpas is voor VLA-beleidsregels. De primaire betekenis van MCF-Proto ligt in het aantonen dat het toevoegen van lichtgewicht geometrische en compositiestructuur aan het actiehoofd materieel kan bijdragen aan hoe beleidsregels robotmanipulatiegedrag organiseren en generaliseren.

Belangrijkste leerpunten die door de auteurs worden benadrukt, zijn:

• Inductieve Bias: Lokale geometrische uitlijning en gestructureerde actiecompositie bieden een nuttige inductieve bias die verder reikt dan specifieke taakfamilies.
• Wederzijdse Versterking: Het lokale stelsel en de prototypecompositie versterken elkaar; het stelsel maakt acties vergelijkbaar over toestanden heen (wat hergebruik van prototypes faciliteert), terwijl prototype-gebaseerde voorspelling het stelsel aanmoedigt richtingen bloot te leggen die consistent zijn met gedemonstreerde beweging.
• Robuustheid: De aanpak biedt een praktische oplossing voor de broosheid van vaste wereldstelselacties onder geometrische verstoringen, zonder complexe aanvullende supervisie of objectgerichte redeneringsmodules te vereisen.

De auteurs houden een bescheiden standpunt, waarbij ze erkennen dat de evaluatie momenteel beperkt is tot specifieke benchmarks en dat het geleerde stelsel een impliciete latente representatie blijft in plaats van een semantisch verankerd coördinatenstelsel. Zij suggereren dat toekomstig werk de schaalbaarheid van dit ontwerp naar grotere modellen, online adaptatie en explicietere geometrische representaties moet verkennen.