Vela: un VLA que predice trayectorias suaves en lugar de bloques de acciones
El modelo Vela, de un equipo de Fudan y CUHK, genera curvas spline con un horizonte temporal adaptativo y supera a π0.5 en LIBERO-X, EBench y en tareas reales de cocinar pastel de huevo y rallar patatas.
En resumen: La mayoría de los modelos visión-lenguaje-acción (VLA) generan un número fijo de acciones futuras en pasos de tiempo fijos, lo que se llama un «bloque de acciones» (action chunk). Vela predice en cambio los puntos de control de una curva suave y cuánto debe durar. Así, el mismo presupuesto de salida puede cubrir un movimiento largo y suave o uno corto y preciso con contacto.
El problema que resuelve
En un bloque de acciones, las acciones vecinas son casi idénticas, lo que desperdicia capacidad, y hay un compromiso: un horizonte más largo implica pasos más gruesos, lo que perjudica la manipulación precisa con contacto.
Cómo funciona
- Predice 12 puntos de control de una B-spline cúbica y un horizonte que depende del movimiento (16–40 pasos).
- En el entrenamiento, cada demostración recibe el horizonte más largo que la spline puede representar dentro de una tolerancia que tiene en cuenta el ruido.
- Un espacio de acción compartido de 26 dimensiones permite entrenar con muchos tipos de robots.
- Basado en la arquitectura π0.5 (columna PaliGemma de 3B más un experto de acción de 300M), preentrenado con unas 20.000 horas de datos públicos de robots de 60 conjuntos y unas 20.000 horas de datos privados.
Resultados reportados por los autores
| Prueba | π0.5 | Vela |
|---|---|---|
| Éxito medio en LIBERO-X | 39,3 % | 45,3 % |
| Éxito global en EBench | 41,4 % | 49,7 % |
| Pastel de huevo real (éxito medio por subtarea) | 37,5 % | 67,5 % |
| Rallado de patata real (éxito medio por subtarea) | 62,5 % | 87,5 % |
En LIBERO-X las mejoras fueron mayores en los niveles con más cambio de distribución. Ajustar una spline a posteriori a la salida de un modelo normal no recuperó las ganancias.
Por qué importa
Cómo representa un modelo las acciones importa tanto como su tamaño. Vela sugiere que las trayectorias continuas podrían convertirse en el formato de salida por defecto de futuros modelos fundacionales para robots. Son cifras de los propios autores en un preprint, aún sin replicación independiente.
Fuentes Fuentes verificadas
Análisis relacionados
Más en IA corporizada y modelos fundacionales →Neuron AI de NEURA añade tacto, sonido y memoria al modelo fundacional para robots
NEURA Robotics presentó Neuron AI, un modelo de «percepción-lenguaje-acción» que fusiona visión 3D, tacto, fuerza, audio, estado del robot y lenguaje con memoria, y mostrará una tarea de lavandería de 11 minutos con su humanoide 4NE1.
Physical Intelligence abre sus modelos de robots π0 a todos mediante una API
La beta de la Pi API permite subir datos, ajustar π0/π0.5 en la infraestructura de Pi y ejecutar el resultado con inferencia alojada.
El S1 de Skild aprende fútbol jugando contra sí mismo 140 años simulados
Tras lanzar S1 —modelo base que copia un solo vídeo sin fine-tuning— Skild mostró Physical Self-Play: la misma política se entrenó contra sí en Isaac Sim y se transfirió a un humanoide.
Newsletter
Robrief Weekly
Un correo por semana con las noticias de robótica que importan. Gratis, cancela cuando quieras.