Resumo Técnico: TempoVLA

Declaração do Problema

Os modelos de Visão-Linguagem-Ação (VLA) existentes para manipulação robótica herdam uma velocidade de execução única e fixa das suas demonstrações de treinamento. Essa rigidez é uma limitação significativa, pois tarefas de manipulação no mundo real alternam entre fases de trânsito de baixo risco (que exigem execução rápida) e estágios de contato de alto risco (que demandam movimento lento e preciso). Os esforços atuais para alterar a velocidade de execução — como compressão de modelo, reutilização de cache KV ou aprendizado por reforço — tipicamente deslocam a política para uma velocidade fixa diferente, em vez de permitir o controle explícito e sob demanda. Além disso, esses métodos focam quase exclusivamente na aceleração, deixando a desaceleração (essencial para inserção de precisão e transferências frágeis) amplamente inexplorada. O desafio central é equipar um único VLA com controle de velocidade bidirecional explícito sem ter que treinar sua arquitetura base do zero ou coletar novos dados.

Metodologia

Os autores propõem o TempoVLA, um framework que permite a um único modelo de política VLA executar tarefas em velocidades variáveis controladas por um escalar explícito $s$. A abordagem consiste em dois componentes acoplados: uma estratégia de aumento do lado dos dados e um mecanismo de condicionamento do lado do modelo.

1. Aumento de Trajetória de Velocidade Variável (VSTA)

O VSTA é uma estratégia de aumento de dados online que re-temporiza qualquer demonstração existente para uma velocidade alvo $s$ enquanto preserva a semântica do movimento. Ele opera em três etapas:

• Segmentação Consistente com o Movimento: As demonstrações são segmentadas com base em modos de movimento (parado, translação, rotação ou translação-e-rotação) e eventos de garra (gripper). Fronteiras são colocadas em mudanças de modo ou reversões de direção para garantir consistência semântica.
• Transformação de Velocidade ao Nível de Chunk: Dentro de cada segmento, a velocidade alvo $s$ é realizada mapeando $q$ frames de origem para $p$ frames de saída ($s = q/p$). O movimento total $\Delta$ de um chunk é acumulado e então re-dividido em $p$ passos de igual magnitude via interpolação linear. Isso preserva o movimento integrado do chunk enquanto altera a forma da trajetória dentro do chunk. Esta operação é válida para espaços de ação fechados sob adição (ex: translações cartesianas, velocidades de junta e vetores ângulo-eixo).
• Amostragem de Início de Chunk Online: Para evitar o descarte de observações durante o processo de re-temporização, o deslocamento inicial (offset) dos chunks é randomizado para cada amostra de treinamento. Isso garante que, ao longo do treinamento, cada frame de origem eventualmente sirva como um início de chunk válido, contribuindo para o sinal de treinamento.

2. Mecanismo de Condicionamento de Velocidade

A política $\pi_\theta(o_t, s)$ é treinada no conjunto de dados aumentado com o escalar de velocidade $s$ fornecido como uma entrada de condicionamento explícita. O artigo avalia três esquemas de injeção leves:

• Prefixo Textual: Preceder uma frase (ex: "Realize a tarefa a 1.5x de velocidade") à instrução de linguagem.
• RMSNorm Modulada por Velocidade: Usar um pequeno MLP para embutir $s$ e adicioná-lo ao embedding de tempo, que então modula o RMSNorm das camadas de especialista de ação.
• Soft Prompt com Âncoras de Velocidade: Inserir tokens de soft-prompt aprendíveis correspondentes a âncoras de velocidade discretas na entrada do encoder.

Experimentos indicam que o controle de velocidade pode ser injetado com esforço mínimo de engenharia e é amplamente independente do mecanismo de condicionamento específico, sendo o prefixo textual escolhido como o padrão por sua simplicidade e flexibilidade.

3. Controle de Velocidade Dinâmico com Programador VLM

Além de comandos fixos, o TempoVLA suporta agendamento de velocidade dinâmica automatizado quando pareado com um Modelo de Visão-Linguagem (VLM) de alto nível. O VLM observa a cena e despacha comandos de velocidade por chunk, permitindo que o sistema acelere durante o trânsito de baixo risco e desacelere para fases de contato de alto risco sem intervenção humana.

Resultados Principais

Simulação (Benchmark LIBERO)

• Viabilidade: O VSTA gera com sucesso demonstrações executáveis em uma gama de velocidades (0.5x a 2x) com erro de movimento insignificante ($< 5 \times 10^{-8}$).
• Ganhos de Desempenho: O treinamento com VSTA melhora a taxa de sucesso de 1x padrão comparado a uma linha de base de velocidade única. O pico de desempenho ocorre frequentemente em velocidades moderadas (1.25x ou 1.5x), sugerindo que a compressão do "preenchimento de ritmo" (rhythm padding) do VSTA nos dados de teleoperação leva a uma execução mais decisiva.
• Granularidade: Uma granularidade de velocidade mais fina no treinamento (ex: um intervalo de 7 velocidades) produz melhor desempenho em todas as velocidades comparado a intervalos mais grosseiros.
• Limites: Em velocidades extremas (ex: 4x), o desempenho degrada devido à incapacidade do controlador de baixo nível em rastrear grandes magnitudes de ação dentro de um único intervalo de controle, não por falha da política.

Experimentos no Mundo Real

• Configuração: Implantado em um braço Franka de 7 DoF com uma garra paralela através de cinco tarefas (pegar-e-colocar e manipulação de objeto deformável).
• Taxa de Sucesso: O VSTA aumentou a taxa de sucesso de 1x padrão de 80.0% (baseline) para 88.0%.
• Agendamento Dinâmico: Quando pareado com um programador GPT-4o, o sistema alcançou uma taxa de sucesso média de 96%, superando a melhor configuração de velocidade fixa. O programador identificou corretamente as fases (espaço livre vs. contato) e ajustou as velocidades adequadamente, embora tenha permanecido conservador, raramente despachando a velocidade máxima de 1.5x.
• Velocidade Realizada: A velocidade de execução realizada seguiu de perto as velocidades comandadas (ex: 1.29x realizada para 1.25x comandado), confirmando a tradução fiel das previsões da política para a execução do hardware.

Significância e Alegações

O artigo afirma que o TempoVLA fornece uma solução leve e plug-and-play para controle de velocidade bidirecional em VLAs existentes. Suas principais contribuições são:

1. Controle Bidirecional: Permite tanto aceleração quanto desaceleração a partir de uma única política, abordando uma lacuna em trabalhos anteriores que focavam principalmente na aceleração.
2. Eficiência de Dados: Alcança isso sem nova coleta de dados, usando VSTA para re-temporizar demonstrações existentes.
3. Aumento Implícito: O processo de re-temporização de dados atua como um aumento eficaz que melhora o desempenho de 1x padrão, forçando a política a aprender características mais finas de objeto e objetivo, em vez de memorizar mapeamentos fixos de observação-para-magnitude.
4. Agendamento Dinâmico: Demonstra que a velocidade de execução pode servir como um novo canal de controle para raciocinadores de alto nível (VLMs), permitindo uma execução consciente das fases onde o robô equilibra autonomamente velocidade e precisão.

Os autores enfatizam que, embora a política em si suporte uma ampla gama de velocidades, o limite superior da velocidade realizada é governado pela largura de banda de rastreamento do controlador de baixo nível, sugerindo que trabalhos futuros poderiam envolver o ajuste conjunto (co-tuning) do controlador para explorar totalmente o envelope de controle de velocidade da política.