Los modelos existentes de Visión-Lenguaje-Acción (VLA) heredan una velocidad de ejecución fija única de sus datos de entrenamiento. Proponemos TempoVLA, un marco VLA único con velocidad controlable que combina un Aumento de Trayectoria de Velocidad Variable (VSTA) del lado de los datos con un mecanismo de condicionamiento ligero del lado del modelo, ambos ligeros y aplicables a VLA existentes. Experimentos en simulación y en el mundo real muestran que TempoVLA ofrece una capacidad de control de velocidad bidireccional flexible, mejora el rendimiento de la línea base predeterminada y logra un control de velocidad dinámico con un VLM externo.
Introducción y Motivación
Los modelos de Visión-Lenguaje-Acción entrenados con datos de demostración robótica fuera de línea aprenden una velocidad de ejecución fija única a partir de la distribución de datos. Una vez desplegados, estas políticas ejecutan acciones al mismo ritmo independientemente de la fase de la tarea o las condiciones ambientales, lo que limita su flexibilidad y robustez. TempoVLA aborda esta limitación introduciendo control de velocidad directamente en el marco VLA, permitiendo al robot variar su velocidad de ejecución bajo comando durante el despliegue.
Marco TempoVLA
La idea central detrás de TempoVLA es que el control de velocidad debe operar a dos niveles: aumentar los datos de entrenamiento para incluir trayectorias de velocidad variable y condicionar las salidas de la política a un comando de velocidad deseado. El componente de Aumento de Trayectoria de Velocidad Variable (VSTA) remuestrea los datos de demostración existentes a múltiples velocidades acumulando y dividiendo acciones del efector final (EEF). El mecanismo de condicionamiento del lado del modelo toma un factor de velocidad escalar como entrada y modula las predicciones de acción de la política en consecuencia.
Por qué el Espacio del Efector Final para el Aumento de Velocidad
Para tareas de manipulación, el éxito de la tarea depende de la pose relativa entre el efector final y los objetos manipulados. Remuestrear las demostraciones en el espacio del efector final en lugar del espacio articular preserva la semántica de la tarea de manera más fiel. Tres razones estructurales explican esta preferencia:
- Amplificación geométrica en articulaciones individuales: Pequeños errores de remuestreo en articulaciones proximales se amplifican geométricamente en el efector final debido a efectos de brazo de palanca.
- Acoplamiento no lineal a lo largo de la cadena cinemática: La cinemática directa mapea los ángulos articulares de forma no lineal a la pose del efector final, por lo que los incrementos articulares interpolados linealmente producen movimiento no lineal del efector final.
- Realizabilidad del controlador: El remuestreo en el espacio del efector final permite al controlador de bajo nivel usar cinemática inversa para encontrar trayectorias articulares dinámicamente factibles a la nueva velocidad.
Aunque VSTA aún puede aplicarse directamente en plataformas que solo exponen comandos articulares, las acciones del efector final producen un mejor rendimiento relevante para la tarea.
Análisis de Modos de Falla
El análisis de casos de falla cualitativos revela el rango de velocidad utilizable para TempoVLA. A velocidades lentas, el robot puede mostrar progreso estancado — cada acción contribuye muy poco avance efectivo a la tarea, atrapando la política cerca de un límite de fase en lugar de transicionar a la siguiente etapa de manipulación. La ejecución lenta es beneficiosa solo cuando la magnitud reducida de la acción aún preserva suficiente progreso para completar las transiciones de fase necesarias.
A velocidades rápidas, el efector final puede sobrepasar la región objetivo, pasando la ventana de interacción válida antes de que la política pueda corregir. Esto es particularmente dañino en etapas con mucho contacto, donde la interacción exitosa depende de tolerancias espaciales y temporales estrechas. Una vez que el gripper pasa más allá del objeto o lo perturba a un estado fuera de la distribución, el resto del despliegue puede volverse irrecuperable.
Implicaciones para la Selección de Velocidad
TempoVLA no debe usarse asignando una velocidad fija extrema a todo un despliegue. En cambio, la velocidad debe seleccionarse según la fase de manipulación actual: más rápida durante el movimiento en espacio libre de bajo riesgo y más lenta cerca de fases con contacto que requieren interacción precisa. Esta observación es consistente con los resultados de programación dinámica de velocidad, donde la selección de velocidad según la fase supera a la ejecución a velocidad fija.
Relación con Métodos Centrados en el Controlador
Los enfoques del lado del controlador — escalar velocidades objetivo o alargar los períodos de paso después de que la política produce salidas — se sitúan aguas abajo de la política. Estos métodos solo pueden reescalar o remuestrear lo que la política ya ha predicho, mientras que el entrenamiento con velocidad variable cambia el contenido de esas predicciones a nivel de política. Los dos enfoques son ortogonales y pueden combinarse directamente: una política TempoVLA aún puede combinarse con cualquier modulación del lado del controlador cuando se desea un ajuste más fino del lado de la ejecución.
Limitaciones y Trabajo Futuro
En el extremo superior del rango de velocidad, la aceleración realizada se satura gradualmente porque los objetivos por paso de la política superan el ancho de banda de seguimiento del controlador de bajo nivel fijo. Co-ajustar el controlador junto con TempoVLA es una extensión natural para trabajo futuro.
Preguntas Frecuentes
¿En qué se diferencia TempoVLA de simplemente escalar los comandos de velocidad después de que la política los produce? TempoVLA opera a nivel de política durante el entrenamiento, cambiando el contenido de las predicciones de acción en sí mismas. El escalado de velocidad del lado del controlador actúa aguas abajo y solo puede reescalar salidas que la política ya generó, lo que hace que los dos enfoques sean complementarios.
¿Por qué TempoVLA aumenta las trayectorias en el espacio del efector final en lugar del espacio articular? El espacio del efector final preserva directamente cantidades relevantes para la tarea como la pose relativa entre el gripper y los objetos, evita la amplificación geométrica de articulaciones proximales y permite al controlador de bajo nivel resolver dinámicamente trayectorias articulares factibles a nuevas velocidades.
¿Qué sucede si se ordena una velocidad fija extrema para todo un despliegue? Las velocidades fijas lentas pueden causar progreso estancado donde cada acción contribuye muy poco avance de la tarea, mientras que las velocidades fijas rápidas causan fallos por sobreimpulso donde el gripper pasa más allá de los objetos. La velocidad debe ajustarse por fase de manipulación.
¿Se puede combinar TempoVLA con modelos existentes de Visión-Lenguaje-Acción? Sí, el aumento de datos VSTA y el condicionamiento del lado del modelo están diseñados como módulos ligeros que se aplican a marcos VLA existentes sin necesidad de reformas arquitectónicas.