Vela: 액션 청크 대신 매끄러운 궤적을 예측하는 VLA

핵심: 대부분의 비전-언어-행동(VLA) 모델은 고정된 시간 간격으로 정해진 수의 미래 동작, 즉 '액션 청크'를 출력한다. Vela는 대신 매끄러운 곡선의 제어점과 그 곡선이 얼마나 지속될지를 예측한다. 같은 출력 예산으로 길고 부드러운 뻗기 동작도, 짧고 정밀한 접촉 동작도 표현할 수 있다.

해결하려는 문제

액션 청크에서는 인접한 동작이 거의 같아 모델 용량이 낭비된다. 또 예측 구간을 늘리면 간격이 거칠어져 정밀한 접촉 조작이 어려워지는 트레이드오프가 있다.

Vela의 작동 방식

• 12개의 3차 B-스플라인 제어점과 동작에 따라 달라지는 시간 범위(16~40스텝)를 예측.
• 학습 시 각 시연에 노이즈를 고려한 허용 범위 안에서 스플라인이 표현할 수 있는 가장 긴 시간 범위를 부여.
• 공유 26차원 행동 공간으로 여러 로봇 형태를 함께 학습.
• π0.5 구조(3B PaliGemma 백본 + 3억 파라미터 행동 전문가) 기반, 60개 데이터셋 약 2만 시간의 공개 로봇 데이터와 약 2만 시간의 비공개 데이터로 사전학습.

저자가 보고한 결과

벤치마크	π0.5	Vela
LIBERO-X 평균 성공률	39.3%	45.3%
EBench 전체 성공률	41.4%	49.7%
실제 계란빵 조리(하위 과제 평균)	37.5%	67.5%
실제 감자 채썰기(하위 과제 평균)	62.5%	87.5%

LIBERO-X에서는 분포 변화가 큰 어려운 단계일수록 개선 폭이 컸다. 일반 모델 출력에 사후로 스플라인을 맞추는 것만으로는 이런 개선이 나오지 않았다.

왜 중요한가

로봇 모델이 행동을 어떻게 표현하느냐는 모델 크기만큼 중요하다. Vela는 연속 궤적이 미래 로봇 파운데이션 모델의 기본 출력 형식이 될 수 있음을 시사한다. 다만 프리프린트에 실린 저자 자체 수치이며 아직 독립적으로 재현되지 않았다.