Hermite Curves as Trajectory Priors for Vision-Language-Action Models

Technische Samenvatting: Hermite-curven als Traject-priors voor Vision-Language-Action Modellen

Probleemstelling
Ondanks het succes van Vision-Language-Action (VLA) modellen bij robotmanipulatie, blijft de "action chunk"-interface zwak gestructureerd. De huidige state-of-the-art modellen behandelen action chunks doorgaans als platte sequenties van per-tijdstap controles. Deze representatie behandelt de chunk als een verzameling onafhankelijke discrete steekproeven, zonder een expliciet begrip van het continue traject dat hen verbindt. Dit leidt tot twee primaire faalmodi:

1. Intra-chunk incoherentie: Onafhankelijke optimalisatie van tijdstappen vertrouwt op pointwise reconstructieverlies, wat faalt in het bestraffen van schokkerige, hoogfrequente bewegingen die een gebrek aan temporele gladheid vertonen.
2. Inter-chunk discontinuïteit: Bij closed-loop replanning worden opeenvolgende chunks geconcateneerd zonder randcontinuïteit (positie of snelheid) af te dwingen. Dit resulteert in abrupte sprongen en snelheidspieken bij de replanning-naden, wat fysieke instabiliteit en taalfalen veroorzaakt.

De auteurs stellen dat deze problemen niet voortkomen uit een gebrek aan modelcapaciteit, maar uit een ontbrekende inductieve bias. De platte representatie slaagt er niet in om de temporele gladheid en randcontinuïteit die inherent zijn aan fysieke beweging in te bedden.

Methodologie
Het artikel stelt Hermite-traject-priors voor, die action chunks parametriseren als stuksgewijze kubische Hermite-curven gedefinieerd door eindpuntposities en -snelheden. Deze aanpak dwingt expliciet gladheid en continuïteit af via een vaste, differentieerbare lineaire operator ($D_H$) die randvariabelen naar een dichte traject mapt.

De auteurs implementeren deze prior binnen drie verschillende VLA-modelleringsparadigma's om te onderzoeken hoe de trajectstructuur geïntegreerd moet worden:

1. Hermite Tokens (HERMITE-VLADH): Ontworpen voor discrete autoregressieve modellen. De action chunk wordt gecodeerd in gekwantiseerde Hermite-randvariabelen (posities en snelheden aan de segmentuiteinden). Deze worden autoregressief als tokens voorspeld. De decoder reconstrueert het gladde traject vanuit deze tokens, waarbij de autoregressieve loop beperkt blijft tot een lichtgewicht action head in plaats van de hoofdbackbone.
2. Hermite Scaffold (HERMITE-VLACH): Ontworpen voor continue generatieve modellen (bijv. flow matching). Het model deelt de voorspelde "clean action" op in een structurele "Hermite scaffold" (laagdimensionale randparameters) en een per-tijdstap residu. De scaffold zorgt voor globale continuïteit, terwijl het residu hoogfrequente lokale variaties opvangt.
3. Hermite Regularisatie (HERMITE-VLAReg): Ook voor continue modellen, maar met een cruciaal onderscheid: de Hermite-operator wordt gebruikt strikt als een hulp-trainingsdoelstelling. Een hulp-head voorspelt Hermite-randvariabelen vanuit gedeelde features, gesuperviseerd tegen de grondwaarheid van het traject. Tijdens inferentie wordt deze tak weggegooid, en blijven de originele baseline action head en samplingprocedure ongewijzigd. Deze variant beoogt de inductieve bias van de trajectstructuur te bieden zonder de runtime-parametrisatie te wijzigen of extra inferentie-overhead toe te voegen.

Belangrijkste Bijdragen

• Expliciete Traject-parametrisatie: Het artikel introduceert een compacte kubische Hermite-operator die platte per-tijdstap controles vervangt door eindpuntposities en -snelheden, waardoor intra-chunk gladheid en inter-chunk continuïteit direct in de actierepresentatie worden ingebed.
• Paradigma-agnostische Integratie: De auteurs demonstreren dat deze vaste operator zowel discrete autoregressieve als continue generatieve modellering kan ondersteunen via HERMITE-VLADH en HERMITE-VLACH.
• Alleen-tijdens-training Inductieve Bias: De introductie van HERMITE-VLAReg laat zien dat het afdwingen van trajectcontinuïteit als een structurele doelstelling tijdens de training superieur is aan expliciete runtime-decompositie, waarbij optimale resultaten worden behaald met nul inferentie-overhead.
• Kinematische Karakterisering: Het werk biedt een gedetailleerde analyse van gegenereerde bewegingen, waarbij wordt aangetoond dat de prior effectief de jerk verlaagt, hoogfrequent spectrale inhoud onderdrukt en transiënten bij de naden dempt op echte hardware.

Experimentele Resultaten
Experimenten werden uitgevoerd op twee simulatiebenchmarks (LIBERO en LIBERO-plus) en vier real-robot taken op single-arm en dual-arm platforms.

• Simulatieprestaties:

  • HERMITE-VLAReg behaalde de hoogste succespercentages onder continue policies, waarbij de baseline $\pi0.5$ verbeterde van 95,9% naar 98,7% op standaard LIBERO en van 85,7% naar 90,9% op de distributie-verschoven LIBERO-plus.
  • HERMITE-VLADH verbeterde de discrete baseline $\pi0$-FAST van 85,5% naar 95,4% op LIBERO.
  • De winsten waren het meest uitgesproken in langdurige taken (LIBERO-10) en onder camera/robot-perturbaties, wat suggereert dat de prior effectief foutaccumulatie tijdens uitgebreide replanning mitigeert.

• Prestaties op de echte robot:

  • Op vier real-robot taken behaalde HERMITE-VLAReg een gemiddeld succespercentage van 90,0%, een significante verbetering ten opzichte van de $\pi0.5$ baseline (63,4%) en HERMITE-VLACH (81,7%).
  • De verbetering werd grotendeels gedreven door de middelste fasen van taken (precieze plaatsing/vouwen), waar de baseline vaak faalde door executie-jitter.

• Trajectkwaliteit:

  • Analyse van jerk (derde afgeleide van positie) en SPARC (spectral arc length) metrieken bevestigde dat Hermite-varianten aanzienlijk gladdere bewegingen produceren.
  • HERMITE-VLAReg verminderde de mediane jerk met ongeveer 13% vergeleken met de baseline en verminderde acceleratiepieken bij replanning-naden aanzienlijk (een reductie van de naad-discontinuïteit met ~50% op specifieke taken).
  • Kwalitatieve analyse toonde aan dat de baseline vaak schokkerige zig-zag paden en lokale oscillaties vertoonde, terwijl de Hermite-varianten directe, continue trajecten volgden.

Betekenis en Claims
Het artikel claimt dat de primaire waarde van Hermite-traject-priors ligt in hun rol als een leerfase-inductieve bias in plaats van een runtime-restrictie. De bevinding dat HERMITE-VLAReg (alleen tijdens training) beter presteert dan HERMITE-VLACH (runtime-decompositie) suggereert dat de structurele restrictie het meest effectief is wanneer het het leerproces van de features stuurt zonder de expressiviteit van het model tijdens inferentie te beperken.

De auteurs concluderen dat het expliciet structureren van traject-priors een fundamentele kloof in huidige VLA-architecturen aanpakt: het gebrek aan fysieke bewegingstructuur tussen hoogwaardige redenering en laagwaardige controle. Door randcontinuïteit en gladheid in het leerdoel in te bedden, maakt de methode robuuste, gladde fysieke uitvoering mogelijk zonder extra computationele kosten te brengen of de inferentie-pipeline te wijzigen. Dit biedt een lichtgewicht, plug-and-play paradigma voor het verbeteren van de betrouwbaarheid van robotmanipulatie-policies.