Vela: ein VLA, das glatte Trajektorien statt Aktions-Chunks vorhersagt

Kurz gesagt: Die meisten Vision-Language-Action-Modelle (VLA) geben eine feste Anzahl künftiger Aktionen in festen Zeitschritten aus – einen „Action Chunk“. Vela sagt stattdessen die Kontrollpunkte einer glatten Kurve voraus und wie lange diese dauern soll. Dasselbe Ausgabebudget deckt so eine lange, ruhige Greifbewegung oder eine kurze, präzise Kontaktbewegung ab.

Das gelöste Problem

In einem Chunk sind benachbarte Aktionen fast identisch, was Kapazität verschwendet. Zudem gibt es einen Zielkonflikt: Ein längerer Horizont bedeutet gröbere Schritte, was präzise, kontaktreiche Manipulation erschwert.

So funktioniert Vela

• Vorhersage von 12 kubischen B-Spline-Kontrollpunkten und einem bewegungsabhängigen Horizont (16–40 Schritte).
• Im Training bekommt jede Demonstration den längsten Horizont, den der Spline innerhalb einer rauschbewussten Toleranz darstellen kann.
• Ein gemeinsamer 26-dimensionaler Aktionsraum erlaubt Training über viele Robotertypen hinweg.
• Basierend auf der π0.5-Architektur (3B-PaliGemma-Backbone plus 300M-Aktionsexperte), vortrainiert mit rund 20.000 Stunden öffentlicher Roboterdaten aus 60 Datensätzen und rund 20.000 Stunden privater Daten.

Ergebnisse laut den Autoren

Benchmark	π0.5	Vela
LIBERO-X durchschnittliche Erfolgsrate	39,3 %	45,3 %
EBench Gesamterfolgsrate	41,4 %	49,7 %
Realer Eierkuchen (mittlere Teilaufgaben-Erfolgsrate)	37,5 %	67,5 %
Reales Kartoffelraspeln (mittlere Teilaufgaben-Erfolgsrate)	62,5 %	87,5 %

Auf LIBERO-X waren die Zugewinne auf den schwierigeren Stufen mit stärkerer Verteilungsverschiebung am größten. Ein nachträglich an die Ausgabe eines normalen Modells angepasster Spline brachte die Gewinne nicht zurück.

Warum das wichtig ist

Wie ein Robotermodell Aktionen darstellt, ist so wichtig wie seine Größe. Vela deutet an, dass kontinuierliche Trajektorien zum Standard-Ausgabeformat künftiger Robotik-Foundation-Models werden könnten. Es handelt sich um eigene Zahlen der Autoren in einem Preprint, die noch nicht unabhängig repliziert wurden.