Resumo Técnico: ChainVLA

Declaração do Problema

A manipulação robótica de longo horizonte requer um fluxo de execução contínuo onde as decisões dependem tanto do progresso da tarefa estabelecido por ações anteriores quanto da continuidade do movimento das ações atualmente em curso. As políticas de Visão-Linguagem-Ação (VLA) existentes operam tipicamente em um regime de horizonte recuante e de blocos de ação (action-chunked). Neste design, a política replaneja repetidamente a partir da observação atual, estado proprioceptivo e instrução, prevendo um horizonte de ação finito, executando um prefixo estrito e, em seguida, descartando o restante.

Este design cria uma transferência incompleta de consulta (cross-query handoff) em dois níveis:

1. Nível de Tarefa: Evidências de tarefas anteriores (ex: uma subtarefa concluída ou o layout inicial de um objeto) podem deixar o campo de visão atual. Sem memória explícita desses eventos, a política não consegue inferir o próximo passo correto quando a visão atual é ambígua (ex: a tarefa "Put Back Block" no RMBench).
2. Nível de Movimento: O replanejamento descarta o sufixo não executado da previsão precedente. Isso faz com que o novo prefixo previsto possa divergir do movimento já em curso, criando descontinuidades de pose e velocidade. Como o movimento executado molda o fluxo de observação para a próxima consulta, essas descontinuidades degradam a qualidade das observações usadas para a inferência de progresso de tarefa futura.

Soluções existentes abordam esses problemas separadamente: políticas aumentadas por memória retêm o histórico da tarefa, mas descartam a continuidade do movimento; enquanto o envelamento temporal (temporal ensembling) ou a execução em tempo real preservam o movimento, mas carecem de evidência de tarefa de longo prazo.

Metodologia: ChainVLA

O ChainVLA é uma política VLA de 1.2 bilhão de parâmetros projetada para encadear consultas sucessivas através de um estado de execução conjunto e revisável ($s_k = (g_k, u_k)$). Este estado é mantido através das fronteiras de consulta, permitindo que a política regenere horizontes de ação sob a observação mais recente enquanto retém o contexto necessário.

1. O Estado de Execução

O estado consiste em dois componentes complementares:

• Contexto de Progresso ($g_k$): Carrega o progresso da tarefa derivado da observação. É uma fusão de:
  • Estado de Trabalho (Working State): Um resumo recorrente da execução atual, atualizado em cada consulta usando tokens vivos do input atual e um cache limitado de tokens recentes.
  • Memória de Eventos Esparsos (Sparse Event Memory): Uma memória recuperável de marcos significativos e esparsos (ex: transições de estágio). Os eventos são escritos com base em anotações de estágio ou regras periódicas e recuperados usando uma consulta condicionada à estimativa de execução atual e codificação de idade.
• Cauda de Movimento (Motion Tail - $u_k$): Carrega o sufixo não executado da previsão anterior. Este componente preenche a lacuna entre o prefixo executado e a próxima consulta, fornecendo um "prior de continuação" para o movimento inacabado.

2. Transição de Consulta e Arquitetura

Em cada consulta $k$, a política recebe o input atual $x_k$ e o estado carregado $s_k$.

• Atualização de Estado: O codificador processa $x_k$ em tokens multimodais. Um banco de consultas de trabalho (working-query bank) aprendido atende a esses tokens e ao Working State anterior para produzir tokens vivos ($L_k$) e um resumo ($\bar{W}_k$). O resumo recupera evidências de eventos ($Z^e_k$) da Memória de Eventos Esparsos.
• Formação do Contexto de Progresso: $g_k$ é formado pela fusão de $L_k$ e $Z^e_k$.
• Integração da Cauda de Movimento: A Cauda de Movimento ($u_k$) entrante condiciona o Working State e inicializa o processo de geração de ação. Especificamente, ela alinha o sufixo normalizado com a representação de ação de horizonte total para definir a média inicial ($\mu_{k+1}$) do estado do decodificador.
• Geração de Ação: Um decodificador de fluxo condicional (backbone DiT) regenera o horizonte de ação completo $A_k$ condicionado a $x_k$, $g_k$ e $u_k$. Crucialmente, o decodificador não copia nem congela nenhuma posição do horizonte; ele regenera cada posição com base na observação mais recente, garantindo que o estado carregado atue como um prior revisável em vez de um plano fixo.
• Próximo Estado: Após executar o prefixo, o sufixo não executado de $A_k$ torna-se a Cauda de Movimento ($u_{k+1}$) para a próxima consulta.

3. Treinamento

O treinamento desenrola a transição do estado de execução na ordem dos episódios. O modelo é supervisionado por:

• Objetivos padrão de fluxo condicional de ação.
• Supervisão de estágio (onde existem anotações) para a estimativa de estágio e alvos de escrita.
• Um regularizador de consistência de sobreposição que penaliza a discordância entre a sobreposição temporalmente alinhada de horizontes previstos consecutivos, incentivando uma transferência coerente sem fixar as ações no novo horizonte.

Principais Contribuições

1. Identificação de Componentes de Estado de Consulta Cruzada: O artigo identifica o progresso da tarefa e o movimento inacabado como dois componentes complementares e assimétricos do estado de execução de consulta cruzada. Estudos de ablação mostram que remover qualquer um desses componentes reduz drasticamente o desempenho, e sua interação sugere que a continuidade do movimento é essencial para preservar o fluxo de observação necessário para a inferência de progresso de tarefa.
2. Política ChainVLA: Uma política de 1.2 bilhão de parâmetros que encadeia consultas através de um estado conjunto de Contexto de Progresso e Cauda de Movimento. Ao contrário de trabalhos anteriores, ela regenera cada horizonte sob a observação mais recente enquanto mantém um prior revisável derivado da previsão anterior.
3. Validação Empírica: Avaliações extensas nos conjuntos de dados RMBench e LIBERO demonstram que o ChainVLA supera as linhas de base de memória aumentada e de blocos de ação (action-chunked).

Resultados

• RMBench: O ChainVLA alcança uma taxa de sucesso média de 62,8% em cinco tarefas dependentes de memória. Isso supera significativamente o método mais forte listado com cobertura completa (Mem-0 com 52,8%) e é particularmente eficaz na tarefa "Put Back Block" (96% vs 90% para Mem-0), onde a evidência da tarefa sai do campo de visão.
• LIBERO: A política alcança 98,8% de sucesso médio em quatro suítes (Spatial, Object, Goal, Long), com todas as suítes excedendo 98% de sucesso.
• Estudos de Ablação:
  • Remover o Contexto de Progresso reduz o sucesso no RMBench para 3,0%.
  • Remover a Cauda de Movimento reduz o sucesso no RMBench para 11,2%.
  • Substituir o estado carregado por histórico de observação e envelamento temporal pós-decodificação (FIFO Hist. + TE) resulta em apenas 35,6% de sucesso.
  • Controles de suavização pós-decodificação (Continuação Linear, Envelamento Temporal) reduzem as descontinuidades de fronteira, mas falham em recuperar o sucesso da tarefa, indicando que o ganho vem do condicionamento do processo de geração no lado do modelo, e não apenas de uma execução mais suave.

Significância

O artigo afirma que o ChainVLA aborda uma lacuna fundamental na manipulação de longo horizonte: a falta de um mecanismo unificado para lidar simultaneamente com evidências de tarefa de longo prazo e continuidade de movimento de curto prazo. Os resultados sugerem que a continuidade do movimento não é meramente um objetivo de controle, mas um pré-requisito para uma inferência de progresso de tarefa confiável, pois o movimento descontínuo altera o fluxo de observação de formas que degradam a recuperação de memória. Ao encadear consultas através de um estado conjunto e revisável, o ChainVLA permite que as políticas mantenham a coerência em horizontos longos sem exigir planejadores ou modelos de mundo separados.