Resumo Técnico: Revelando a Vulnerabilidade de Modelos de Visão-Linguagem-Ação sob Falhas Físicas ao Nível da Junta

Declaração do Problema

A implantação de modelos de Visão-Linguagem-Ação (VLA) em sistemas robóticos reais enfrenta uma lacuna crítica de robustez: embora esses modelos demonstrem forte generalização para variações semânticas e perceptivas, eles frequentemente carecem de robustez a falhas do lado da personificação (embodiment-side faults). Especificamente, as políticas VLA assumem que o corpo do robô converte fielmente as ações previstas nas movimentações pretendidas. No entanto, robôs no mundo real são suscetíveis a falhas físicas ao nível da junta, como degradação de atuadores, falhas de hardware, limites impostos por segurança, danos por colisão e atrito induzido pelo desgaste.

Essas falhas alteram a interface ação-movimento, interrompendo a relação de malha fechada aprendida entre ações comandadas, movimento realizado e observações subsequentes. Diferente do ruído de ação convencional (que perturba a saída da política diretamente), as falhas físicas ao nível da junta alteram a própria capacidade cinemática ou dinâmica do robô. Consequentemente, a mesma ação comandada pode resultar em estados diferentes dependendo da junta afetada e da severidade da falha. Isso leva a um descompasso de execução em malha fechada (closed-loop execution mismatch), onde o robô se desvia da trajetória de estado nominal esperada pela política VLA, podendo causar falhas irrecuperáveis mesmo que a tarefa permaneça fisicamente viável.

Metodologia: J-PARC

Para abordar essa vulnerabilidade, os autores propõem o J-PARC (Joint-level Physical-fault Aware Residual Calibrator), um framework leve projetado para operar sobre uma política VLA congelada sem realizar o ajuste fino (fine-tuning) do modelo base.

Arquitetura Central

O J-PARC funciona como um módulo de correção residual que ajusta os componentes translacionais da saída de ação da VLA com base no contexto de execução inferido.

1. Contexto de Entrada: O módulo observa a dinâmica recente das juntas e o histórico de execução ($H_t$), que inclui ações base, estados do efetor final/garra e a diferença entre as ações comandadas e executadas.
2. Inferência de Regime de Falha: Um codificador pré-treinado ($g_\psi$) processa o movimento recente das juntas para inferir um regime de falha de junta latente ($u_t$). Este codificador é treinado para detectar a presença de uma falha e classificar a junta específica afetada, mas permanece congelado durante a fase de treinamento residual.
3. Predição de Residual: Um calibrador residual baseado em transformer ($f_\theta$) recebe o bloco de ação base, o histórico de execução e o regime de falha inferido como entrada. Ele prediz um bloco residual ($R_{\theta,t}$) especificamente para os comandos translacionais do braço ($\Delta x, \Delta y, \Delta z$).
4. Correção de Ação: A ação final executada é a soma da ação VLA base e o residual predito. Os comandos de rotação e da garra da política base são preservados para evitar reconfigurações desnecessárias de juntas.

Estratégia de Treinamento

O J-PARC utiliza uma abordagem de alvo residual guiado por referência:

• Coleta de Dados: O sistema pareia execuções de referência livres de falhas com execuções sob condições de junta travada partindo do mesmo estado inicial.
• Geração de Alvo: Um mecanismo "professor" compara o estado de execução com falha contra a trajetória de referência livre de falhas. Se o desvio exceder um limite, o residual alvo é calculado para redirecionar o efetor final em direção ao waypoint livre de falhas. Se o desvio estiver dentro de um "tubo de demonstração", o residual alvo é zero.
• Otimização: O calibrador residual é treinado para minimizar o erro quadrático médio entre seu residual predito e o alvo gerado pelo professor, enquanto a política VLA base e o codificador de falha permanecem congelados.

Principais Contribuições

1. Identificação de Vulnerabilidade: O artigo estabelece as falhas físicas ao nível da junta (travamento, limites de amplitude, aumento de atrito) como um desafio de robustez crítico e distinto para a implantação de VLA, separado de ruídos perceptivos ou de espaço de comando.
2. Análise de Efeitos Heterogêneos: Através de uma análise extensiva, os autores demonstram que os efeitos das falhas são dependentes da junta. As tarefas degradam-se de forma heterogênea com base em qual junta é afetada e seu uso na tarefa. Além disso, as quedas de desempenho ocorrem mesmo em cenários viáveis (ex: aumento de atrito), indicando que o problema não é meramente a inviabilidade física, mas um descompasso de execução em malha fechada.
3. Framework J-PARC: A proposta de um framework de calibração residual leve que infere regimes de falha latentes a partir do histórico de execução e adapta as ações de acordo, preservando o comportamento da política base em ambientes livres de falhas.
4. Validação Empírica: Experimentos no benchmark LIBERO e em hardware real (Trossen WidowX AI) mostram que o J-PARC melhora significativamente as taxas de sucesso sob falhas de junta, mantendo o desempenho em condições nominais.

Resultados Experimentais

Os autores avaliaram o J-PARC em dois backbones VLA congelados (OpenVLA-OFT e $\pi_0.5$) através das suítes do benchmark LIBERO.

• Falhas de Junta Travada: Sob condições de junta travada, o J-PARC melhorou a taxa de sucesso média de 42,3% para 46,8% (OpenVLA-OFT) e de 48,4% para 55,2% ($\pi_0.5$). Notavelmente, superou baselines como Cinemática Inversa Restrita (CIK) e RobustVLA, que falharam em melhorar consistentemente o desempenho ou até o degradaram.
• Falhas de Atrito Não Vistas: Crucialmente, o J-PARC foi treinado apenas em dados de junta travada. Ao ser testado em aumento de atrito de junta (um modo de falha diferente não visto durante o treinamento), ele ainda melhorou as taxas médias de sucesso (ex: de 46,4% para 55,1% para OpenVLA-OFT), demonstrando generalização para descompassos de execução não vistos.
• Preservação de Ausência de Falhas: Em ambientes livres de falhas, o J-PARC preservou o desempenho da política base, confirmando que o módulo residual não interfere na operação nominal.
• Validação no Mundo Real: Em um robô físico realizando uma tarefa de pegar e colocar uma tigela, a política base falhou completamente sob travamento de junta, enquanto o J-PARC obteve sucesso na maioria das tentativas ao manter a trajetória do efetor final próxima ao caminho de referência livre de falhas.

Significância e Alegações

O artigo argumenta que a robustez do lado da personificação é uma condição necessária para a implantação confiável de VLA, não apenas uma preocupação secundária de hardware. Os autores afirmam que:

• Métodos atuais de robustez focados em ruído de ação ou perturbações perceptivas são insuficientes para lidar com falhas físicas persistentes que alteram a dinâmica do robô.
• O descompasso entre ações comandadas e movimentos realizados se acumula ao longo do tempo, exigindo uma calibração de ação adaptativa que condicione no contexto de execução atual, em vez de restrições estáticas.
• O J-PARC oferece uma solução prática e leve que aumenta a robustez sem o custo computacional de realizar o ajuste fino de grandes modelos VLA ou a necessidade de extensos dados de treinamento adversarial.

Os autores mantêm modéstia quanto às limitações, observando que sua validação no mundo real está atualmente restrita a juntas específicas (4 e 5) e uma única tarefa devido a restrições de segurança, e que o método atualmente depende do acesso a trajetórias de referência livres de falhas para o treinamento. Sugere-se como trabalho futuro explorar a construção automática de referências e espaços de ação mais amplos.