TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies
TempoVLA 引入了一种速度可控的视觉-语言-动作策略，该策略利用可变速度轨迹增强（VSTA）和显式速度调节，使机器人能够动态调整其执行速度，以实现更快的过渡阶段和更慢的精确接触阶段，从而克服了现有模型的固定速度限制。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一个机器人，它通过看人类做一次动作（比如叠杯子或折毛巾）就学会了一项任务。问题在于，这个机器人被困在了一个“单速”世界里。如果人类演示时动作很慢，机器人永远都会动得很慢；如果人类演示时很快，机器人就会永远飞速运转。它无法决定在精细工作的环节放慢速度，也无法在空旷地带移动时加快速度。
TempoVLA 是一个全新的系统，它为机器人提供了一个控制速度的“音量旋钮”。它允许同一个机器人脑在指令下，执行完全相同的任务，但速度可以分别是 0.5 倍速（极慢且谨慎）、1 倍速（正常）或 2 倍速（极快）。
以下是他们实现这一目标的步骤，分为两个简单的部分：
1. “视频剪辑师”（数据端）
在教机器人之前，研究人员必须先修复训练视频。他们开发了一个聪明的工具，叫做 VSTA（变速轨迹增强）。
把机器人的演示想象成一部电影。
- 为了让它变快： 编辑器会将连续的多帧图像合并成一个大的跳跃。这就像跳过电影中无聊的部分直接进入精彩片段一样。
- 为了让它变慢： 编辑器会将一个大的动作拆解成许多微小的、缓慢的步骤。这就像是在特定场景中添加“慢动作”特效一样。
至关重要的一点是，这种编辑并不会改变机器人在“做什么”（语义），而仅仅是改变了它“怎么做”（速度）。他们将一个原始的演示过程，转化成了一个包含六种不同速度的同一任务演示库。
2. “速度拨盘”（模型端）
一旦机器人拥有了这个包含快慢示例的库，研究人员就教会了它一个新技巧。他们给机器人提供了一个简单的“速度拨盘”（一个像 0.5、1.0 或 1.5 这样的数字），机器人可以在工作时看到这个数字。
- 如果你告诉机器人：“以 1.5 倍速 执行”，机器人会查看其训练数据中的快速示例，并预测出更大、更果敢的动作。
- 如果你说：“以 0.5 倍速 执行”，它会查看慢速示例，并预测出微小、谨慎的动作。
机器人不需要为每种新速度都从头开始重新训练。它只需要学会倾听“速度拨盘”并据此调整其肌肉运动即可。
“智能飞行员”加成
论文还展示了你可以将这个机器人与一个“智能飞行员”（大型 AI 语言模型）配对。你不再需要手动输入“减速”，而是由智能飞行员观察机器人的摄像头画面。
- 场景： 机器人正横跨一张空桌子移动。
- 智能飞行员： “路径清晰！加速！”（机器人加速）。
- 场景： 机器人正准备抓取一个易碎的杯子。
- 智能飞行员： “危险区域！减速！”（机器人放慢到爬行速度）。
这创造了一个能够自然地在安全时加速、在需要精准度时减速的机器人，且无需人工干预。
他们的发现
- 灵活性： 机器人可以成功地在不同速度之间进行切换。
- 性能提升： 出人意料的是，在这些混合速度上训练机器人，实际上让它在正常速度（1 倍速）下的表现比仅在正常速度下训练的机器人更好。看起来，学习以不同速度运动有助于机器人更好地理解任务。
- 局限性： 存在物理极限。如果你要求机器人跑得太快（例如 4 倍速），机器人的物理电机和控制器就无法跟上大脑发出的指令，从而导致它错过目标。但在合理的范围内（0.5 倍速到 1.5 倍速），它的表现非常完美。
简而言之，TempoVLA 将一个僵化的单速机器人变成了一个灵活的工人，使其能够选择自己的节奏，从而让精细任务更安全，让常规任务更高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。