Resumo Técnico: Além dos Cabeços de Ação no Quadro de Referência Mundial: Quadros de Ação Centrados no Movimento para Modelos Visão-Linguagem-Ação

Declaração do Problema

Os modelos Visão-Linguagem-Ação (VLA) alcançaram progresso significativo por meio de backbones perceptivos mais robustos, pré-treinamento mais amplo e conjuntos de dados de demonstração maiores. No entanto, os cabeços de previsão de ação nesses modelos permanecem amplamente homogêneos. A maioria das políticas utiliza um cabeço de regressão padrão para prever comandos do efetuador final diretamente em um quadro de coordenadas global fixo.

Este projeto apresenta uma incompatibilidade fundamental com a natureza da manipulação robótica. Muitos comportamentos de manipulação são inerentemente locais e geométricos (por exemplo, aproximar-se de uma alça, rotacionar ao redor de um objeto). Embora tais comportamentos possam compartilhar estruturas de interação semelhantes, eles se manifestam como vetores drasticamente diferentes em um quadro de mundo fixo devido a variações no pose do objeto, ponto de vista ou disposição da cena. Consequentemente, a política deve absorver implicitamente essas variações geométricas dentro de sua representação latente para decodificá-las em um único espaço de saída fixo. Este artigo postula que as políticas VLA poderiam organizar as ações de forma mais eficaz se equipadas com um quadro local aprendido e um mecanismo estruturado para composição de ações dentro desse quadro.

Metodologia: MCF-Proto

Os autores propõem o MCF-Proto, uma reestruturação leve do cabeço de ação para políticas VLA padrão. O método introduz dois componentes principais: um Quadro de Ação Centrado no Movimento (MCF) e uma parametrização de ação baseada em protótipos. Todo o sistema é treinado de ponta a ponta usando apenas demonstrações padrão, sem supervisão auxiliar como poses de objetos ou estados de contato.

1. Quadro de Ação Centrado no Movimento (MCF)

Em vez de regredir ações diretamente no quadro de mundo, a política prevê primeiro uma rotação condicionada à observação $R_t \in SO(3)$ usando uma Rede Neural Perceptron Multicamada (MLP) leve com uma parametrização de rotação contínua de 6D. Esta rotação define um sistema de coordenadas local, o MCF, em cada passo de tempo $t$.

• Função: O MCF absorve a variação geométrica dependente da cena antes da decodificação da ação.
• Mapeamento: As ações previstas no quadro local ($\Delta x^{mcf}_t, \Delta r^{mcf}_t$) são mapeadas de volta para o quadro de mundo via $\Delta x_t = R_t \Delta x^{mcf}_t$ e $\Delta r_t = R_t \Delta r^{mcf}_t$.

2. Composição de Ação Baseada em Protótipos

Dentro do MCF aprendido, as ações não são previstas como vetores brutos, mas são geradas como combinações suaves de um pequeno dicionário compartilhado de protótipos.

• Estrutura: Dicionários de protótipos separados são mantidos para translação ($B^{trans}$) e rotação ($B^{rot}$). Cada protótipo é uma matriz que mapeia um vetor de coeficientes latentes para um incremento de ação 3D.
• Geração: O modelo prevê vetores de escala latentes e logits de gate (via softmax) para selecionar e ponderar esses protótipos. A ação local é composta como uma soma ponderada de mapeamentos de protótipos modulados por escalas latentes.
• Regularização: Um regularizador de ortogonalidade ($L_{ortho}$) é aplicado às matrizes de protótipos para garantir que permaneçam distintas e não redundantes.

3. Objetivo de Aprendizado

O modelo é supervisionado na ação final prevista do efetuador final no quadro de mundo usando perdas padrão de aprendizado por imitação (L1 para translação/pegador, Smooth L1 para rotação). Adicionalmente, uma perda de suavidade temporal ($L_{smooth}$) é introduzida para incentivar que o quadro local aprendido evolua suavemente ao longo do tempo, em vez de rotacionar abruptamente para seguir mudanças instantâneas de ação.

Contribuições Principais

1. Arquitetura MCF-Proto: A introdução de um cabeço de ação leve que combina um Quadro de Ação Centrado no Movimento aprendido com um dicionário compartilhado de protótipos de ação, exigindo apenas supervisão de ação padrão.
2. Estrutura Emergente: A demonstração de que este design induz uma estrutura geométrica emergente estável. Especificamente:
   • Os quadros locais aprendidos desenvolvem eixos que são fortemente compatíveis com o movimento do efetuador final demonstrado, apesar da falta de rótulos direcionais explícitos.
   • A representação de ação torna-se substancialmente mais compacta, com a variação capturada por menos direções dominantes e organizada por protótipos compartilhados.
3. Validação Empírica: Evidências de que essas propriedades estruturais melhoram tanto o desempenho da tarefa quanto a robustez, particularmente sob perturbações geométricas.

Resultados Experimentais

Os autores avaliaram o MCF-Proto nos benchmarks LIBERO e LIBERO-plus, bem como em uma plataforma OpenArm do mundo real.

• Benchmark LIBERO: O MCF-Proto alcançou uma taxa de sucesso média state-of-the-art de 97,7%, superando baselines fortes como OpenVLA-OFT (97,1%) e $\pi0$ (94,1%). Ganhos notáveis foram observados na suíte "Long" (95,0%), sugerindo maior consistência em horizontes estendidos.
• LIBERO-plus (Robustez): O método demonstrou robustez superior sob deslocamentos de distribuição, alcançando o melhor desempenho em seis de sete categorias de perturbação (Câmera, Robô, Luz, Fundo, Ruído, Disposição).
  • Perturbações Geométricas: Os ganhos mais significativos foram observados sob perturbações de Câmera (69,7% vs. baselines <60%) e Robô (66,0%). Os autores atribuem isso à capacidade do MCF de absorver variações geométricas no ponto de vista e pose inicial antes de decodificar comandos de controle.
• Validação no Mundo Real: Na plataforma OpenArm, o MCF-Proto mostrou maior confiabilidade em horizontes longos em três tarefas (colocação de tubo de ensaio, transferência bimanual, empilhamento de tigelas) em comparação com variantes de baseline.
• Análise Estrutural:
  • Concentração: A representação do quadro local mostrou uma redução de 17,8% no traço da covariância e uma redução de 51,3% na rank efetiva em comparação com ações no quadro de mundo, indicando um espaço de ação mais concentrado e de dimensão inferior.
  • Alinhamento: O erro angular entre os eixos do MCF e as direções de movimento demonstradas foi reduzido significativamente (de ~35° para ~11–19°) ao combinar o MCF com composição de protótipos, confirmando que o quadro aprendido alinha-se com a geometria da tarefa.

Significado e Alegações

O artigo alega que a parametrização de ação é um eixo de design crítico, mas pouco explorado, para políticas VLA. O significado principal do MCF-Proto reside em demonstrar que adicionar estrutura geométrica e composicional leve ao cabeço de ação pode melhorar materialmente como as políticas organizam e generalizam o comportamento de manipulação robótica.

As principais conclusões enfatizadas pelos autores incluem:

• Viés Indutivo: O alinhamento geométrico local e a composição estruturada de ações fornecem um viés indutivo útil que se estende além de famílias de tarefas específicas.
• Reforço Mútuo: O quadro local e a composição de protótipos reforçam-se mutuamente; o quadro torna as ações comparáveis entre estados (facilitando a reutilização de protótipos), enquanto a previsão baseada em protótipos incentiva o quadro a expor direções consistentes com o movimento demonstrado.
• Robustez: A abordagem oferece uma solução prática para a fragilidade de ações fixas no quadro de mundo sob perturbações geométricas, sem exigir supervisão auxiliar complexa ou módulos de raciocínio centrados em objetos.

Os autores mantêm uma postura modesta, reconhecendo que a avaliação está atualmente limitada a benchmarks específicos e que o quadro aprendido permanece uma representação latente implícita, em vez de um sistema de coordenadas semanticamente fundamentado. Eles sugerem que trabalhos futuros devem explorar a escalabilidade deste design para modelos maiores, adaptação online e representações geométricas mais explícitas.