Technische Samenvatting: ChainVLA

Probleemstelling

Lange-horizon robotmanipulatie vereist een continue executieflow waarbij beslissingen afhankelijk zijn van zowel de taakprogressie die door eerdere acties is gevestigd als de bewegingscontinuïteit van acties die momenteel gaande zijn. Bestaande Vision-Language-Action (VLA) policies werken doorgaans volgens een regime van actie-gechunkte, receding-horizon. In dit ontwerp plant de policy herhaaldelijk opnieuw vanuit de huidige observatie, proprioceptieve staat en instructie, voorspelt een eindig actiehorizon, voert een strikt prefix uit en verwerpt vervolgens het restant.

Dit ontwerp creëert een incomplete cross-query handoff op twee niveaus:

1. Taakniveau: Eerder taakbewijs (bijv. een voltooide subtaak of de initiële lay-out van een object) kan buiten het huidige observatieveld vallen. Zonder expliciet geheugen van deze gebeurtenissen kan de policy de juiste volgende stap niet afleiden wanneer de huidige weergave ambigu is (bijv. de "Put Back Block"-taak in RMBench).
2. Bewegingsniveau: Het opnieuw plannen verwerpt de niet-uitgevoerde voortzetting van de voorgaande voorspelling. Dit veroorzaakt dat het nieuw voorspelde prefix potentieel niet overeenkomt met de beweging die al in gang is gezet, wat discontinuïteiten in pose en snelheid creëert. Omdat de uitgevoerde beweging de observatiestroom voor de volgende query vormgeeft, verslechteren deze discontinuïteiten de kwaliteit van de observaties die worden gebruikt voor toekomstige taakprogressie-inferentie.

Bestaande oplossingen pakken deze problemen afzonderlijk aan: memory-augmented policies behouden de taakgeschiedenis maar verwerpen bewegingscontinuïteit, terwijl temporal ensembling of real-time uitvoering de beweging behoudt maar gebrek heeft aan langetermijn taakbewijs.

Methodologie: ChainVLA

ChainVLA is een 1.2B-parameter VLA-policy ontworpen om opeenvolgende queries te ketenen via een gezamenlijke en reviseerbare executiestaat ($s_k = (g_k, u_k)$). Deze staat wordt behouden over query-grenzen heen, waardoor de policy de actiehorizons kan regenereren onder de nieuwste observatie terwijl de noodzakelijke context behouden blijft.

1. De Executiestaat

De staat bestaat uit twee complementaire componenten:

• Progressiecontext ($g_k$): Draagt de observatie-afgeleide taakprogressie over. Het is een fusie van:
  • Werkende Staat: Een recurrente samenvatting van de huidige uitvoering, die bij elke query wordt bijgewerkt met live tokens van de huidige input en een begrensde cache van recente tokens.
  • Sparse Event Memory: Een doorzoekbaar geheugen van schaarse, significante mijlpalen (bijv. fase-transities). Events worden geschreven op basis van stage-annotaties of periodieke regels en worden opgehaald via een query die geconditioneerd is op de huidige executie-inschatting en age-encoding.
• Motion Tail ($u_k$): Draagt de niet-uitgevoerde suffix van de voorgaande voorspelling over. Deze component overbrugt de kloof tussen het uitgevoerde prefix en de volgende query, en biedt een "voortzetingsprior" voor de onvoltooide beweging.

2. Query Transitie en Architectuur

Bij elke query $k$ ontvangt de policy de huidige input $x_k$ en de meegevoerde staat $s_k$.

• Staat Update: De encoder verwerkt $x_k$ tot multimodale tokens. Een geleerde working-query bank staat aandacht aan deze tokens en de vorige Working State om live tokens ($L_k$) en een samenvatting ($\bar{W}_k$) te produceren. De samenvatting haalt event-bewijs ($Z^e_k$) op uit de Sparse Event Memory.
• Progressiecontext Formatie: $g_k$ wordt gevormd door het fuseren van $L_k$ en $Z^e_k$.
• Motion Tail Integratie: De binnenkomende Motion Tail ($u_k$) conditioneert de Working State en initialiseert het proces van actiegeneratie. Specifiek brengt het de genormaliseerde suffix in lijn met de volledige horizon-actie-representatie om de initiële gemiddelde ($\mu_{k+1}$) van de decoder-staat in te stellen.
• Actiegeneratie: Een conditional-flow decoder (DiT backbone) regenereert de volledige actiehorizon $A_k$ geconditioneerd op $x_k$, $g_k$, en $u_k$. Cruciaal is dat de decoder geen enkele horizonpositie kopieert of bevriest; het regenereert elke positie op basis van de nieuwste observatie, waardoor de meegevoerde staat fungeert als een reviseerbare prior in plaats van een vaststaand plan.
• Volgende Staat: Na het uitvoeren van het prefix wordt de niet-uitgevoerde suffix van $A_k$ de Motion Tail ($u_{k+1}$) voor de volgende query.

3. Training

Training ontrolt de executie-staat transitie in episode-volgorde. Het model wordt gesuperviseerd door:

• Standaard conditional-flow actie-objectieven.
• Stage-supervisie (waar annotaties aanwezig zijn) voor de stage-inschatting en write targets.
• Een overlap-consistentie regularisator die onenigheid bestraft tussen de tijdelijk uitgelijnde overlap van opeenvolgende voerstaande voorspelde horizons, wat een coherente handoff stimuleert zonder acties in de nieuwe horizon vast te leggen.

Belangrijkste Bijdragen

1. Identificatie van Cross-Query Staatcomponenten: Het paper identificeert taakprogressie en onvoltooide beweging als twee complementaire, asymmetrische componenten van de cross-query executiestaat. Ablatie-studies tonen aan dat het verwijderen van een van beide componenten de prestaties drastisch vermindert, en hun interactie suggereert dat bewegingscontinuïteit essentieel is voor het behoud van de observatiestroom die nodig is voor taakprogressie-inferentie.
2. ChainVLA Policy: Een 1.2B-parameter policy die queries ketent via een gezamenlijke staat van Progressiecontext en Motion Tail. In tegenstelling tot eerder werk, regenereert het elke horizon onder de nieuwste observatie terwijl het een reviseerbare prior behoudt die afgeleid is van de vorige voorspelling.
3. Empirische Validatie: Uitgebreide evaluatie op de RMBench en LIBERO suites laat zien dat ChainVLA bestaande memory-augmented en action-chunked baselines overtreft.

Resultaten

• RMBench: ChainVLA bereikt een gemiddeld succespercentage van 62,8% over vijf geheugenafhankelijke taken. Dit presteert aanzienlijk beter dan de sterkste genoemde methode met volledige dekking (Mem-0 met 52,8%), en is bijzonder effectief op de "Put Back Block"-taak (96% vs. 90% voor Mem-0), waarbij taakbewijs buiten het zicht valt.
• LIBERO: De policy bereikt een gemiddeld succes van 98,8% over vier suites (Spatial, Object, Goal, Long), waarbij alle suites boven de 98% uitkomen.
• Ablatie-studies:
  • Het verwijderen van de Progress Context vermindert het RMBench-succes tot 3,0%.
  • Het verwijderen van de Motion Tail vermindert het RMBench-succes tot 11,2%.
  • Het vervangen van de meegevoerde staat door observatiehistorie en post-decoding temporal ensembling (FIFO Hist. + TE) levert slechts 35,6% succes op.
  • Post-decoding smoothing controls (Linear Continuation, Temporal Ensemble) verminderen boundary-discontinuïteiten maar slagen er niet in het taaksucces te herstellen, wat aangeeft dat de winst komt van de model-zijde conditionering van het generatieproces, en niet enkel van een gladdere uitvoering.

Betekenis

Het paper stelt dat ChainVLA een fundamentele kloof in lange-horizon manipulatie aanpakt: het gebrek aan een verenigd mechanisme om zowel langetermijn taakbewijs als kortetermijn bewegingscontinuïteit tegelijkertijd te behandelen. De resultaten suggereren dat bewegingscontinuïteit niet louter een controle-objectief is, maar een vereiste voor betrouwbare taakprogressie-inferentie, aangezien discontinue beweging de observatiestroom op manieren verandert die de geheugenretrieval verslechteren. Door queries te ketenen via een gezamenlijke, reviseerbare staat, stelt ChainVLA policies in staat om coherentie over lange horizons te behouden zonder dat er aparte planners of wereldmodellen nodig zijn.